分类器的概率校准

本文介绍了如何对分类器进行概率校准,并通过Brier分数评估校准后的概率质量。比较了高斯朴素贝叶斯分类器在未校准、sigmoid校准和等温校准下的性能。

鲁棒协方差估计与异常检测

本文通过葡萄酒数据集的实例,探讨了在实际数据集中进行鲁棒协方差估计的必要性,以及如何使用不同的异常检测工具来理解数据结构。

贡献代码与问题报告指南

本指南旨在帮助开发者了解如何为开源项目贡献代码,报告问题,并参与项目的持续集成和性能监控。

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。

DBSCAN聚类算法演示

本页面展示了DBSCAN聚类算法的实现和评估,包括数据生成、算法应用、结果可视化和性能评估。

高斯过程分类在XOR数据集上的应用

本页面展示了高斯过程分类(GPC)在XOR数据集上的应用,并比较了静态各向同性核(RBF)与非静态核(点积核)的性能。

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。

多项式核近似与线性分类器训练

本文介绍了如何使用PolynomialCountSketch高效生成多项式核特征空间近似,以训练近似核化分类器的线性分类器,并在Covtype数据集上进行实验。

处理缺失值的欧几里得距离计算

本文介绍了一种在数据中存在缺失值时计算欧几里得距离的方法,包括算法原理、参数说明、代码示例和应用场景。

手写数字识别示例

使用Python和机器学习库对8x8像素的手写数字图像进行分类和识别。

增量主成分分析(IPCA)示例

本页面展示了增量主成分分析(IPCA)在处理大型数据集时的优势,通过与常规PCA的比较,展示了IPCA在内存使用上的优化,并提供了代码示例和结果图表。

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。

K-Means++ 初始质心选择示例

通过sklearn.cluster.kmeans_plusplus函数生成聚类初始种子的示例,展示了K-Means++初始化方法的输出结果。

马氏距离与高斯分布数据

本文介绍了如何使用马氏距离来衡量高斯分布数据中单个观测值与分布模式之间的距离,并讨论了稳健协方差估计器在处理异常值时的优势。

数据聚类算法比较

本文介绍了不同聚类算法在二维数据集上的表现,并对算法参数进行了调整以获得较好的聚类效果。

机器学习:降维与支持向量分类器

本文介绍了如何结合使用降维技术与支持向量分类器进行数据预测,并通过GridSearchCV和Pipeline优化模型参数。

轮廓系数计算方法

本页面介绍了轮廓系数的计算方法,包括其定义、计算过程以及在聚类分析中的应用。

PCA与逻辑回归的管道化处理

本文介绍了如何将PCA和逻辑回归结合起来,通过管道化的方式进行数据的维度降低和分类预测。

聚类评估指标:同质性、完备性和V-度量

本文介绍了聚类评估中的三个关键指标:同质性、完备性和V-度量,这些指标用于衡量聚类结果的质量。

正则化参数Alpha对决策边界的影响

本文探讨了正则化参数Alpha在不同数据集上对决策边界的影响,并通过代码示例展示了不同Alpha值如何影响模型的决策边界。

交叉验证行为可视化

本文介绍了如何在Python的scikit-learn库中使用不同的交叉验证对象,并提供了一个可视化示例来比较它们的行为。

R平方回归评分函数详解

本文介绍了R平方(R^2)回归评分函数的计算方法及其在机器学习模型评估中的应用。

交叉验证预测方法

本网页介绍了交叉验证预测方法,包括数据分割策略、参数设置以及如何使用这种方法来评估机器学习模型的泛化性能。

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。

图像分割的谱聚类技术

本文介绍了如何使用谱聚类技术对图像进行分割,包括kmeans、离散化和QR分解等方法。

学习曲线分析

本文介绍了如何使用学习曲线来分析模型在不同训练集大小下的表现,并通过交叉验证来评估模型的稳定性和准确性。

精确度、召回率和F-分数计算

本页面介绍了如何计算精确度、召回率、F-分数和支持度,这些是评估分类模型性能的关键指标。

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。

支持向量机异常检测

本网页介绍了使用支持向量机进行异常检测的方法,包括基于RBF核的OneClassSVM和基于随机梯度下降的SGDOneClassSVM。

单类SVM异常检测示例

本页面展示了如何使用单类SVM进行异常检测,包括数据生成、模型训练、预测及结果可视化。

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