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。

聚类算法演示与比较

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。

特征选择与聚合的比较

本文比较了两种降维策略:单变量特征选择与方差分析和特征聚合与Ward层次聚类。这两种方法在回归问题中使用贝叶斯岭作为监督估计器进行比较。

正则化参数优化与模型性能

本文通过Elastic-Net回归模型探讨了正则化参数对训练和测试数据集性能的影响,并使用解释方差R^2作为性能度量。

数据集加载与预处理

本页面介绍了机器学习中数据集加载和预处理的多种方法,包括数据集的获取、加载以及样本生成器的使用。

k-邻居图计算

本文介绍了如何使用k-邻居图计算方法来分析样本数据,包括参数设置和代码示例。

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。

提升决策树回归模型

本网页介绍了如何使用提升决策树回归模型来提高预测精度,并展示了与单个决策树回归模型的比较。

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。

多层感知器分类器随机学习策略比较

本网页展示了不同随机学习策略在多层感知器分类器中的表现,包括SGD和Adam算法,并对比了不同学习率和动量参数对模型性能的影响。

集成学习在鸢尾花数据集上的应用

本文介绍了如何使用集成学习中的投票分类器对鸢尾花数据集进行分类,并展示了不同分类器预测结果的对比。

支持向量机(SVM)分类器决策边界可视化

本页面展示了如何使用Python和matplotlib库来可视化支持向量机(SVM)分类器在鸢尾花数据集上的决策边界。

DBSCAN聚类算法提取

本页面介绍了DBSCAN聚类算法的实现和应用,包括算法原理、参数设置和代码示例。

决策树模型导出为GraphViz格式

本页面介绍如何将决策树模型导出为GraphViz格式,并提供了详细的参数说明和示例代码。

数据归一化处理

本页面介绍了数据归一化的概念、方法和在机器学习中的应用。

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。

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。

使用支持向量机进行数据分类

本页面展示了如何使用支持向量机(SVM)进行数据分类,并通过Python代码实现线性核函数下的分类器。

多标签排序问题的平均精度计算

本文介绍了多标签排序问题中的评估指标——平均精度(LRAP),并提供了使用Python计算LRAP的示例代码。

交叉验证评分方法

本文介绍了如何使用交叉验证来评估机器学习模型的性能,包括参数设置、使用方法和示例代码。

贝叶斯岭回归分析

本文介绍了贝叶斯岭回归在多项式曲线拟合中的应用,探讨了正则化参数的初始值选择对模型拟合的影响,并展示了如何通过迭代过程确定最优参数。

学习曲线与模型可扩展性分析

本文介绍了如何使用LearningCurveDisplay类绘制学习曲线,并分析了朴素贝叶斯和SVM分类器的学习曲线。同时,探讨了这些预测模型的可扩展性,包括计算成本和统计准确性。

逻辑回归决策边界可视化

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。

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。

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。

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。

地理空间数据的核密度估计

本网页展示了如何使用基于哈维森距离度量的布朗树对地理空间数据进行核密度估计。

参数验证与路由处理

本文介绍了如何在使用路由方法时对输入参数进行验证和路由处理,包括参数的传递和处理方式。

随机梯度下降的早期停止策略

本文介绍了随机梯度下降(SGD)的早期停止策略,这是一种在训练过程中,通过监控验证集的预测分数来提前结束训练,以防止过拟合并提高模型泛化能力的方法。

受限玻尔兹曼机特征提取与数字分类

本文介绍了如何使用受限玻尔兹曼机(RBM)进行特征提取,并结合逻辑回归对数字进行分类。

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