稳健协方差估计器:最小协方差行列式估计器

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。

KDDCup 99 数据集加载指南

本网页提供了关于如何加载KDDCup 99数据集的详细指南,包括参数设置和数据集特点。

教育经济学中的因果效应分析

本文通过模拟数据来探讨教育经济学中的一个重要问题:大学学位对小时工资的因果效应。

目标编码与交叉拟合在机器学习中的应用

本文探讨了目标编码和交叉拟合在机器学习数据预处理中的重要性,并通过实例演示了如何使用这些技术来提高模型的泛化能力。

随机搜索与网格搜索的比较

本文比较了随机搜索和网格搜索在优化线性SVM的超参数时的效果和效率。

V-Measure聚类评估指标

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。

密度不同的聚类分析

本文通过生成不同密度的数据集,使用OPTICS算法的Xi聚类检测方法和设置特定的可达性阈值来模拟DBSCAN算法,展示了不同阈值下DBSCAN算法的聚类效果。

随机状态对象的使用

本文介绍了如何使用numpy中的RandomState对象来控制随机数生成,以及其在机器学习中的应用示例。

高斯过程模型

本页面介绍高斯过程模型,包括分类器、回归器以及多种核函数。

梯度提升模型中的分类特征编码策略

本文探讨了在梯度提升模型中,不同分类特征编码策略对模型性能的影响,并使用Ames Housing数据集进行实验。

鸢尾花数据集的因子分析

本文介绍了如何使用因子分析和主成分分析(PCA)来探索鸢尾花数据集中的潜在模式,并展示了如何通过旋转来优化数据的可视化效果。

标签传播算法演示

本页面通过一个简单的示例演示了标签传播算法在半监督学习中的应用,通过可视化的方式展示了算法的工作原理。

稀疏不相关设计回归问题生成

本页面介绍了如何使用sklearn库生成一个具有稀疏不相关设计和少量信息特征的回归问题数据集。

集成学习算法概览

本文介绍了多种集成学习算法,包括AdaBoost、Bagging、ExtraTrees、Gradient Boosting、Isolation Forest、Random Forest、Stacking和Voting等。

生成高斯数据集

本页面介绍如何使用sklearn库中的make_blobs函数生成高斯数据集,用于聚类分析。

随机化奇异值分解(SVD)算法详解

本文介绍了随机化奇异值分解(SVD)的算法及其在大规模数据集上的快速应用。

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。

scikit-learn工具和函数介绍

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。

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。

交叉验证生成器工具

本页面介绍了一个用于构建交叉验证生成器的工具,包括参数说明、使用方法以及示例代码。

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。

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。

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。

偏最小二乘法及其在回归分析中的应用

本文介绍了偏最小二乘法(PLS)的基本原理、算法实现及其在回归分析中的应用。PLS是一种有效的数据降维技术,特别适用于变量数量多于观测值的情况。

K-Means聚类算法演示

本页面展示了K-Means聚类算法在手写数字数据集上的应用,包括不同初始化策略的比较、聚类质量评估以及结果的可视化展示。

手写数字识别示例

本示例展示了如何使用scikit-learn库来识别0到9的手写数字图像。

Calinski-Harabasz 分数计算方法

本文介绍了Calinski-Harabasz分数的定义、参数、返回值以及如何使用Python中的sklearn库进行计算。

双聚类相似度计算

本文介绍了如何计算两组双聚类之间的相似度,并使用修改后的Jonker-Volgenant算法找到最佳匹配,最终得分是相似度之和除以较大集合的大小。

图像重建技术与压缩感知

本文介绍了如何使用计算机断层扫描(CT)技术获取的一组平行投影数据来重建图像。讨论了压缩感知的概念,并通过Lasso优化算法实现了图像的重建。

部分依赖图可视化API

本网页展示了如何使用Python的scikit-learn库中的PartialDependenceDisplay对象来绘制和自定义部分依赖图。

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