本网页展示了多种聚类算法的演示和比较,包括K-Means、层次聚类、均值漂移等,并探讨了聚类性能评估和特征选择的方法。
本网页介绍了如何使用校准曲线来计算真实和预测概率,适用于二元分类问题。
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。
本文介绍了如何使用scikit-learn框架来创建自定义评估器,并检查模型是否已经拟合。
本文介绍了数据科学中无监督学习的各种技术,包括降维、聚类、双聚类、信号分解、协方差估计、异常检测和密度估计等。
本文探讨了机器学习中的两个基本问题:预测模型的建立和基于概率预测的决策制定。
本页面介绍了如何对输入的数组、列表或类似结构进行验证,包括数据类型、数值检查、稀疏矩阵格式转换等。
本页面介绍一种用于排序稀疏图的算法,该算法确保每一行的值按照递增顺序存储。
本文介绍了如何使用sklearn库中的validation_curve函数来分析不同参数值对模型训练和测试分数的影响。
本文介绍了如何设置scikit-learn库的全局配置,包括参数验证、内存使用、输出格式等,旨在提高机器学习任务的效率和性能。
本文探讨了K-means聚类算法的不同初始化策略对运行时间和结果质量的影响,并使用真实数据集进行了实验验证。
本文介绍了多种数据预处理技术,包括二值化、特征缩放、编码器等,旨在帮助数据科学家和工程师更好地准备数据以进行机器学习。
本页面介绍了如何使用Python的sklearn库生成Friedman #2回归问题的数据集,包括数据的生成方法和参数说明。
本文介绍了如何使用Python和sklearn库中的VotingClassifier进行软投票分类,并可视化不同分类器对单个样本的分类概率。
本文介绍了多种特征提取工具,包括图像和文本数据的处理方法,以及如何将这些数据转换为机器学习模型可以处理的格式。
本页面介绍了scikit-learn库中用于数据科学和机器学习的各种工具和函数。
本网页介绍了在使用ElasticNet模型时,如何对加权样本进行预处理以计算Gram矩阵。
本文介绍了如何使用随机梯度下降(SGD)训练的线性支持向量机(SVM)来处理一个可分离的数据集,并展示了如何绘制决策边界和数据点。
本文介绍了均值绝对误差回归损失的计算方法,包括参数说明、返回值以及示例代码。
本网页展示了如何使用Python中的matplotlib和sklearn库来生成和可视化两个不同中心和协方差矩阵的高斯分布数据,并拟合高斯混合模型。
本文介绍了一种在存在缺失值的情况下计算欧几里得距离的方法,详细解释了算法原理,并提供了Python代码示例。
本文介绍了流形学习技术在球面数据集上的应用,包括局部线性嵌入、t-SNE等方法,并通过代码展示了这些技术如何将高维数据投影到二维空间。
本文分析了不同异常检测算法在二维数据集上的表现,探讨了这些算法处理多模态数据的能力,并展示了算法在不同情况下的决策边界。
本文介绍了如何使用scikit-learn库中的评分器(scorer)来衡量模型性能。
幂变换是一种参数化的数据转换方法,用于将数据转换为更接近正态分布的形式,以解决非恒定方差或需要正态分布的情况。
本文探讨了在数据聚类中使用图连接性来捕捉数据的局部结构,并分析了稀疏连接矩阵的优势和不同链接方法的稳定性。
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。
本页面展示了如何使用Python的scikit-learn库来绘制多类别逻辑回归和One-vs-Rest逻辑回归的决策边界。
本文介绍了如何对机器学习模型进行拟合状态的验证,包括检查模型是否已经通过训练获得了必要的属性,并在未拟合时抛出异常。
本页面介绍了在多标签分类中计算准确率的方法,包括参数说明、返回值以及示例代码。