本文介绍了最小协方差行列式估计器(MCD),这是一种在数据集中存在异常值时,用于估计协方差矩阵的稳健方法。
局部异常因子(LOF)是一种无监督异常检测方法,用于计算给定数据点相对于其邻居的局部密度偏差。本文介绍了如何在scikit-learn中使用LOF进行异常检测,并展示了如何生成带有异常值的数据集,拟合模型并绘制结果。
V-Measure是一种用于评估聚类效果的外部指标,它综合了同质性和完备性两个维度,提供了一个介于0到1之间的评分,以衡量聚类的质量。
本文介绍了机器学习中模型评估和优化的多种方法,包括交叉验证、超参数优化、ROC曲线等关键概念和技术。
本文介绍了如何使用一个函数来计算一个点与一组点之间的最小距离,包括参数设置和代码示例。
本文介绍了混淆矩阵的概念、计算方法以及在机器学习分类任务中的应用,并通过代码示例展示了如何使用混淆矩阵来评估分类模型的准确度。
本网页通过一个浣熊脸图像的例子,展示了如何使用KBinsDiscretizer进行图像的向量量化处理,并探讨了不同的压缩策略和内存占用情况。
本文介绍了Scikit-learn库中使用的各种混合类,包括分类器、回归器、聚类器等,并提供了如何克隆估计器和判断其类型的方法。
本网页介绍了稀疏编码技术,特别是使用Ricker小波变换对信号进行稀疏表示的方法。通过比较不同的稀疏编码方法,展示了如何使用不同的原子宽度来改善信号的稀疏表示。
本文介绍了如何使用scikit-learn库中的make_scorer函数来创建一个评分器,并详细解释了其参数和使用方法。
本网页介绍了协方差估计和异常检测的基本概念,包括椭圆包络、经验协方差、图形Lasso、Ledoit-Wolf估计等方法,并提供了相应的计算公式和代码示例。
本网页展示了如何使用多输出估计器来补全人脸图像的下半部分,基于给定的上半部分。比较了极端随机树、K近邻、线性回归和岭回归四种方法的效果。
本文介绍了如何在Python中使用CSR格式的稀疏矩阵进行逐列缩放操作,并提供了示例代码。
本文探讨了不同的机器学习策略,包括SGD和Adam,以及它们在不同数据集上的表现。
本文介绍了如何生成多标签数据集,并使用PCA和CCA进行降维,最后通过SVM进行分类。
本文介绍了一种在机器学习中常用的数据重采样方法,包括参数说明、代码示例和使用场景。
本网页介绍了ROC曲线和DET曲线在二元分类任务中的比较,包括它们的定义、绘制方法以及如何使用Python的scikit-learn库来实现。
本文介绍了如何使用递归特征消除(RFE)方法来确定手写数字识别中各个像素的重要性,并展示了如何通过代码实现这一过程。
本网页展示了如何使用Python中的SGD分类器在鸢尾花数据集上绘制多类决策边界。
本网页介绍了如何使用Scikit-learn库进行机器学习任务,包括模型拟合、数据预处理、模型选择、模型评估等基本概念和操作。
本教程介绍了如何使用PCA和SVM对人脸数据集进行特征提取和分类。
本文介绍了如何使用不同的嵌入技术对数字数据集进行处理,并比较了各种方法的效果。
本文介绍了如何使用Python中的逻辑回归和一对多分类器进行多类分类任务,并通过数据可视化展示了分类效果。
本文介绍了如何使用scikit-learn库中的线性回归模型来预测糖尿病数据集的进展情况。
本网页介绍了著名的鸢尾花数据集,包括数据集的基本信息、参数、返回值以及如何在Python中加载和使用该数据集。
本文介绍了使用机器学习技术来预测和补全面部图像的下半部分。
本网页展示了层次聚类算法在数字数据集上的应用,包括不同链接策略的效果比较。
本文通过一个简单的数据集,展示了在目标变量与数据中的某些低方差方向强相关时,偏最小二乘回归(PLS)如何优于主成分回归(PCR)。
本文介绍了一种基于分位数信息的特征变换方法,旨在将特征变换为均匀或正态分布,以减少异常值的影响并提高不同尺度变量的可比性。
本文分析了随机标签对聚类评估指标的影响,并通过实验展示了不同指标在固定和变化的类别数量下的表现。