加权样本的决策函数图

本文介绍了如何使用Python的scikit-learn库来绘制加权样本的决策函数图。通过调整样本权重,观察模型决策边界的变化。

岭回归系数分析

本页面介绍了岭回归中系数的变化情况,并展示了如何通过调整正则化参数来平衡模型的偏差和方差。

图像量化压缩示例

本网页展示了如何使用Python和SciPy对图像进行量化压缩,包括原始图像的加载、信息检查、量化压缩过程以及压缩效果的展示。

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。

多层感知器中的正则化参数研究

本网页探讨了在多层感知器中不同正则化参数alpha值对合成数据集的影响,并展示了如何通过调整alpha值来控制模型的过拟合和欠拟合问题。

聚类标签的同质性度量

本文介绍了如何使用同质性度量来评估聚类标签的质量,确保聚类结果中的数据点仅属于单一类别。

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。

机器学习算法比较

本文通过比较KNN和逻辑回归算法在Digits数据集上的性能,展示了两种算法在分类任务上的表现。

半监督文本数据分类

本网页介绍了半监督学习在文本数据集上的分类应用,包括SGD分类器、自我训练分类器和标签传播方法。

受限玻尔兹曼机(RBM)介绍

受限玻尔兹曼机(RBM)是一种基于概率模型的无监督非线性特征学习算法,常用于初始化深度神经网络。本文详细介绍了RBM的基本概念、模型参数化、伯努利RBM以及随机最大似然学习算法。

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。

支持向量机与自定义核函数

本文介绍了如何使用支持向量机(SVM)结合自定义核函数进行数据分类,并展示了如何通过matplotlib进行数据可视化。

层次聚类方法比较

本网页通过生成的2D数据集,比较了不同的层次聚类方法在处理噪声和非球形数据集时的表现。

流形学习技术在球面数据集上的应用

本文介绍了流形学习技术在球面数据集上的应用,并通过降维技术将数据集投影到二维空间,以获得直观的理解。

机器学习算法概览

本文介绍了多种机器学习算法,包括BallTree、KDTree、KNeighborsClassifier、KNeighborsRegressor等,以及它们在数据点问题中的应用。

层次聚类算法在瑞士卷数据集上的应用

本页面介绍了层次聚类算法在瑞士卷数据集上的应用,包括无结构和有结构的聚类方法,并提供了相应的Python代码示例。

数据预处理与特征提取

本网页介绍了数据预处理和特征提取的基本概念、方法和技术,包括标准化、归一化、编码分类特征、缺失值处理、多项式特征生成、无监督降维等。

支持向量回归模型比较

本文介绍了使用不同的核函数进行支持向量回归(SVR)的比较,包括线性核、多项式核和RBF核。

非负矩阵分解(NMF)介绍

本网页介绍了非负矩阵分解(NMF)的概念、算法和应用示例。NMF是一种用于数据降维、源分离或主题提取的矩阵分解技术。

机器学习可视化API:ROC曲线示例

本网页通过scikit-learn的可视化API展示了如何绘制并比较ROC曲线,包括支持向量分类器和随机森林分类器的ROC曲线。

数据局部结构的图连接性分析

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。

二元分类任务的错误率计算

本页面介绍了如何计算二元分类任务在不同概率阈值下的错误率,包括假阳性率(FPR)和假阴性率(FNR),并提供了相应的代码示例。

线性与二次判别分析比较

本文介绍了线性判别分析(LDA)和二次判别分析(QDA)在不同数据集上的表现,并通过可视化展示了两种方法的决策边界和协方差椭球。

决策阈值的后处理调整

本文介绍了如何使用TunedThresholdClassifierCV来根据特定指标调整分类器的决策阈值,以优化模型性能。

Pytest 参数化估计器检查

本文介绍了如何使用Pytest的装饰器来参数化估计器检查,确保估计器遵循scikit-learn的约定。

支持向量机中的样本权重示例

本页面展示了如何使用支持向量机(SVM)处理带有权重的样本数据,并可视化决策边界的变化。

机器学习分类器比较

本网页展示了在scikit-learn库中不同分类器在合成数据集上的表现,包括决策边界的可视化和分类准确度的比较。

贝叶斯岭回归曲线拟合示例

本网页介绍了如何使用贝叶斯岭回归对正弦波数据进行曲线拟合,并探讨了初始参数选择对模型的影响。

机器学习库scikit-learn 1.0版本更新概览

本文介绍了scikit-learn 1.0版本的新特性、改进和bug修复,包括API的变化、新引入的变换器和回归器等。

机器学习中的偏差、方差和噪声

本文探讨了机器学习中模型的偏差、方差和噪声问题,并介绍了如何通过验证曲线和学习曲线来评估模型性能。

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