随机化SVD算法介绍

本页面介绍了随机化SVD算法的原理、参数和应用示例。

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。

基于局部异常因子的异常检测

本文介绍了一种基于局部异常因子(LOF)的无监督异常检测方法,该方法通过计算给定数据点与其邻居的局部密度偏差来识别异常值。

糖尿病数据集的交叉验证练习

本教程介绍了如何使用交叉验证和线性模型对糖尿病数据集进行模型选择和参数调优。

降维技术指南

本网页介绍了多种降维技术,包括主成分分析(PCA)、独立成分分析(ICA)、字典学习等,并提供了相应的算法实现方法。

鸢尾花数据集的PCA与LDA分析

本文介绍了如何使用PCA和LDA对鸢尾花数据集进行分析,包括数据的预处理、模型的建立和结果的可视化。

SGD算法中的惩罚函数比较

本文介绍了SGD算法中常用的三种惩罚函数:L1、L2和弹性网络,并展示了它们在不同参数下的轮廓图。

机器学习中的降维与模型选择

本文介绍了如何使用Pipeline和GridSearchCV进行降维和模型选择,并通过代码示例展示了PCA、NMF和特征选择技术的应用。

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。

半监督学习在手写数字识别中的应用

本文通过Label Spreading模型演示了半监督学习在手写数字识别任务中的高效性能,即使在标签数据非常有限的情况下。

数据重采样方法

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。

K-Means算法初始化策略的影响评估

本文评估了不同的K-Means算法初始化策略对于算法收敛鲁棒性的影响,通过分析聚类中心的相对标准偏差来衡量。

机器学习算法比较与可视化

本文探讨了机器学习中不同算法的比较,包括异常检测算法、核岭回归与支持向量回归的对比,以及如何利用可视化工具来展示机器学习模型和管道。

像素间连接图的构建

本页面介绍了如何构建一个3D图像中像素间的连接图,包括参数说明、代码示例和返回结果的解释。

自训练分类器阈值影响分析

本文通过乳腺癌数据集演示了自训练分类器在不同阈值设置下的效果。

随机森林与梯度提升树模型性能比较

本文比较了随机森林(RF)和直方图梯度提升树(HGBT)模型在回归数据集上的得分和计算时间。

K最近邻分类器示例

本示例展示了如何使用K最近邻分类器对iris数据集进行训练,并观察不同权重参数下决策边界的变化。

随机投影技术在高维数据集中的应用

本网页介绍了随机投影技术在高维数据集中的应用,包括理论基础、代码实现和实验验证。

机器学习估计器选择指南

本指南旨在帮助用户根据数据类型和问题选择合适的机器学习估计器。

均方对数误差回归损失

本文介绍了均方对数误差回归损失的概念、参数、使用方法以及在不同情况下的应用示例。

支持向量机中的样本权重调整

本文探讨了在支持向量机中如何通过调整样本权重来影响决策边界的形状,特别是对异常值的影响。

计算折扣累积增益(Discounted Cumulative Gain)

本文介绍了如何使用折扣累积增益(Discounted Cumulative Gain, DCG)来评估多标签分类或实体排序任务的性能。

K-Means++聚类算法初始化种子生成

本页面介绍了K-Means++聚类算法的初始化种子生成过程,包括Python代码示例和结果展示。

高斯混合模型置信椭圆绘制

本页面展示了如何使用期望最大化和变分推断方法,结合狄利克雷过程先验,绘制两个高斯分布混合的置信椭圆。

分类器决策边界的可视化

本文通过可视化不同分类器的决策边界,帮助理解各种机器学习算法在不同数据集上的表现。

KMeans聚类分析与轮廓系数评估

本文介绍了如何使用轮廓系数来评估KMeans聚类算法的效果,并通过数据可视化展示了不同聚类数量下的结果。

K均值与二分K均值聚类算法比较

本网页介绍了K均值算法和二分K均值算法的区别,并提供了Python代码示例,用于生成样本数据并比较两种算法的聚类效果。

决策树可视化指南

本文介绍了如何使用sklearn库中的tree模块来可视化决策树模型,包括参数设置和代码示例。

L1距离计算示例

本页面介绍了如何使用sklearn库中的函数计算两个样本集之间的L1距离,即曼哈顿距离,并提供了代码示例。

学习曲线分析

本文介绍了如何使用学习曲线分析来评估机器学习模型在不同训练集大小下的性能。

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:17898875485