鲁棒线性模型估计:RANSAC算法应用

本文介绍了如何使用RANSAC算法对含有异常值的数据进行鲁棒的线性模型拟合。

概率模型的稀疏精度估计

本文讨论了如何从少量样本中估计概率模型的精度矩阵,包括高斯模型的参数化、数据采样、以及不同估计器的性能比较。

正交匹配追踪算法在信号恢复中的应用

本文介绍了使用正交匹配追踪算法从带有噪声的测量中恢复稀疏信号的过程,包括算法的实现和结果展示。

物种分布数据集加载器

本页面介绍了如何使用scikit-learn库中的函数加载物种分布数据集,并提供了详细的参数说明和示例代码。

RBF核函数与SVM分类器的近似特征映射

本网页介绍了如何使用RBFSampler和Nystroem近似RBF核函数的特征映射,并在手写数字数据集上使用SVM进行分类。比较了在原始空间中使用线性SVM、使用近似映射的线性SVM以及核化SVM的结果。

稀疏编码信号生成示例

本页面展示了如何使用sklearn库中的make_sparse_coded_signal函数生成稀疏编码信号,包括数据集、字典和编码矩阵的生成过程。

曲线下面积计算与ROC曲线

本页面介绍了如何计算曲线下面积(AUC)以及ROC曲线的基本概念和应用。

多标签分类数据可视化

本页面展示了如何使用Python和matplotlib库来可视化多标签分类数据。

随机梯度下降与早停策略

本文介绍了一种在随机梯度下降中使用早停策略来优化线性模型的方法,并通过实验比较了不同停止准则对模型性能的影响。

分块计算距离矩阵

本文介绍了如何使用分块计算方法来处理大规模数据集中的距离矩阵计算问题,旨在优化内存使用和提高计算效率。

机器学习模型验证工具

本页面介绍了如何使用scikit-learn提供的验证工具来检查机器学习模型是否符合约定。

归纳式聚类算法实现

本文介绍了如何通过聚类算法来学习归纳模型,并通过分类器对新数据样本进行分类。

贝叶斯高斯混合模型分析

本网页介绍了如何使用贝叶斯高斯混合模型对玩具数据集进行拟合,并分析了不同权重浓度先验对模型的影响。

交叉验证行为可视化

本文介绍了如何在Python的scikit-learn库中使用不同的交叉验证对象,并提供了一个可视化示例来比较它们的行为。

不平衡数据集的类别权重估计

本文介绍了如何在不平衡数据集中估计类别权重,以提高机器学习模型的性能。

交叉验证评分方法

本文介绍了如何使用交叉验证来评估机器学习模型的性能,包括参数设置、使用方法和示例代码。

特征离散化与线性分类器的性能

本文探讨了特征离散化技术如何影响线性分类器在不同数据集上的性能表现。

模型拟合验证

本文介绍了如何使用机器学习库中的函数来验证模型是否已经拟合,并提供了相应的代码示例。

卡方检验特征选择

本文介绍了如何使用卡方检验进行特征选择,以提高分类任务的性能。

图的中心性分析:维基百科链接图谱

本文介绍了如何使用随机SVD算法分析维基百科内部链接图谱,以确定文章的相对重要性。

排名损失计算方法

本文介绍了排名损失的计算方法,这是一种衡量多标签分类问题中标签对错误排序的平均数量的方法。

处理多重共线性特征的重要性评估

本网页介绍了如何使用随机森林分类器处理具有多重共线性特征的数据集,并计算特征的重要性。

多项式计数草图与线性分类器

本网页介绍了如何使用多项式计数草图来近似核方法特征空间,并训练线性分类器以模拟核化分类器的准确性。

零一分类损失函数

本文介绍了零一分类损失函数的计算方法,包括参数说明、返回值以及在多标签分类中的应用。

数据生成器在机器学习中的应用

本文介绍了多种数据生成器,包括分类、聚类、回归和流形学习的数据生成器,以及它们在机器学习中的应用。

欧几里得距离计算

本页面介绍了如何使用Python的sklearn库来计算两个向量数组之间的欧几里得距离矩阵,包括计算方法、参数说明以及示例代码。

Pytest 参数化估计器检查

本文介绍了如何使用Pytest的装饰器来参数化估计器检查,确保估计器遵循scikit-learn的约定。

嵌套与非嵌套交叉验证比较

本文比较了在鸢尾花数据集上的分类器上嵌套与非嵌套交叉验证策略。嵌套交叉验证通常用于训练需要优化超参数的模型。

基于新闻组数据集的共聚类算法

本文介绍了在新闻组数据集上应用共聚类算法的过程,包括数据预处理、TF-IDF向量化、Dhillon共聚类算法的应用以及与其他聚类算法的比较。

K-Means与MiniBatchKMeans聚类算法性能比较

本文对比了K-Means和MiniBatchKMeans两种聚类算法的性能,并展示了如何生成数据集、执行聚类以及结果的可视化。

沪ICP备2024098111号-1
上海秋旦网络科技中心:上海市奉贤区金大公路8218号1幢 联系电话:15216758379