scikit-learn交流与支持指南

本页面提供scikit-learn社区交流和获取支持的指南,包括邮件列表、Stack Overflow、GitHub Discussions、问题报告等。

交叉验证与排列测试

本文介绍了如何使用排列测试来评估交叉验证分数的统计显著性,以及如何解释得到的p值。

正则化路径计算

本页面展示了如何使用Python中的sklearn库来计算Lasso和弹性网络的正则化路径,并比较了标准和正则化版本的效果。

高斯混合模型初始化方法比较

本文介绍了高斯混合模型(GMM)的四种初始化方法:k-means、随机、数据随机和k-means++,并比较了它们的初始化时间和收敛迭代次数。

Pinball Loss 量化回归评估

本文介绍了Pinball Loss在量化回归中的应用,包括其参数设置、计算方法和示例代码。

最近邻分类与邻域成分分析

本文介绍了使用最近邻分类器和邻域成分分析对数据进行分类的方法,并展示了如何绘制决策边界。

构建标签关系矩阵

本文介绍了如何使用sklearn.metrics.cluster中的contingency_matrix函数来构建描述真实标签与预测标签之间关系的矩阵。

高斯混合模型(GMM)在鸢尾花数据集上的应用

本文介绍了高斯混合模型(GMM)在鸢尾花数据集上的应用,包括不同协方差类型的表现比较和代码实现。

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。

召回率计算指南

本文介绍了召回率的计算方法,包括不同参数设置下的计算方式,以及如何使用Python进行召回率的计算。

多项式与样条插值示例

本网页展示了如何使用岭回归来近似一个函数,通过多项式和样条插值方法。

构建机器学习流水线

本文介绍了如何使用scikit-learn库中的make_pipeline函数来构建一个包含多个步骤的机器学习流水线。

多类SGD在鸢尾花数据集上的决策边界

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。

稀疏编码算法详解

本文详细介绍了稀疏编码算法的工作原理,参数设置以及在Python中使用sklearn库进行稀疏编码的示例代码。

数据子集选择工具

本页面介绍了一个用于选择数据子集的工具,它支持多种数据类型和索引方式,适用于数据分析和处理。

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。

数据可视化API使用指南

本网页介绍了如何使用数据可视化API进行快速绘图和视觉调整,无需重新计算。

稀疏数据集加载指南

本文介绍了如何使用Python加载SVMLight/LibSVM格式的稀疏数据集,并提供了代码示例。

高斯过程分类在鸢尾花数据集上的应用

本文介绍了在鸢尾花数据集上应用高斯过程分类(GPC)的示例,包括各向同性和各向异性径向基函数(RBF)核的概率预测。

OPTICS聚类算法演示

本页面展示了OPTICS聚类算法的工作原理,包括数据生成、算法应用以及结果的可视化展示。

距离矩阵计算指南

本页面提供了关于如何计算距离矩阵的详细指南,包括不同的距离度量方法和参数设置。

谱聚类算法在数据子集分析中的应用

本文介绍了谱聚类算法在数据分析中的应用,特别是如何通过同时考虑数据矩阵的行和列来识别数据中的局部结构。

最新版scikit-learn功能介绍

本文详细介绍了最新版scikit-learn中的bug修复、性能提升以及新增的关键特性。

径向基函数核的显式特征映射近似

本文介绍了如何使用RBFSampler和Nystroem方法来近似径向基函数核的特征映射,并在手写数字数据集上使用SVM进行分类。

物种分布模型分析

本网页介绍了使用OneClassSVM模型分析南美洲两种哺乳动物的地理分布情况,包括模型拟合、预测分布和ROC曲线下面积的计算。

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。

模型克隆与复制

本文介绍了在机器学习中如何使用sklearn库的clone函数进行模型的克隆和复制,包括克隆的原理、参数和示例代码。

交叉验证评分方法

本页面介绍了如何使用交叉验证方法来评估机器学习模型的性能。

机器学习库新特性介绍

本文介绍了机器学习库scikit-learn的最新版本中新增的一些关键特性和改进,包括固定阈值分类器、阈值优化分类器、PCA性能提升等。

多项式和样条变换在回归分析中的应用

本文介绍了如何使用多项式和样条变换来拟合非线性数据,并通过Python代码示例展示了如何实现这一过程。

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