scikit-learn 1.4版本发布亮点

本文介绍了scikit-learn 1.4版本的新特性、改进和bug修复。

t-SNE 算法的可视化分析

本文通过不同的困惑度值对t-SNE算法进行可视化分析,探讨了不同参数对算法结果的影响。

F1分数计算方法

本页面介绍了F1分数的计算方法,包括其定义、公式、参数以及在不同情况下的应用。

鸢尾花数据集的3D可视化

本页面展示了如何使用PCA方法对鸢尾花数据集进行降维,并在三维空间中进行可视化展示。

ROC曲线计算与分析

本页面介绍了如何使用ROC曲线来评估二元分类模型的性能,并提供了相关的代码示例和解释。

近邻成分分析法示例

本文通过一个示例展示了如何使用近邻成分分析法(NCA)来提高最近邻分类的准确性,并提供了原始点空间和转换后空间的可视化比较。

Tweedie回归评分函数

本文介绍了Tweedie回归评分函数的计算方法和应用示例,包括参数说明和代码实现。

Scikit-learn 混合类概览

本文介绍了Scikit-learn库中使用的各种混合类,包括分类器、回归器、聚类器等,并提供了如何克隆估计器和判断其类型的方法。

核岭回归与支持向量回归比较

本文比较了核岭回归(KRR)与支持向量回归(SVR)两种机器学习模型在数据拟合和预测任务中的性能差异。

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。

计算点与点集之间的最小距离

本文介绍了如何使用一种高效的方法来计算一个点与一组点之间的最小距离。

逻辑回归中的L1惩罚与稀疏性

本文比较了在不同C值下,使用L1、L2和Elastic-Net惩罚的逻辑回归模型的稀疏性。

CSR矩阵的逐列缩放

本文介绍了如何在Python中使用CSR格式的稀疏矩阵进行逐列缩放操作,并提供了示例代码。

聚类相似度评估指标

本文介绍了一种用于衡量两个聚类结果相似度的指标,即Rand指数。通过比较真实类别标签与预测聚类标签之间的一致性来计算相似度得分。

DBSCAN 聚类算法详解

本文详细介绍了DBSCAN聚类算法的参数设置、工作原理以及在Python中的实现方法。

葡萄酒数据集介绍

葡萄酒数据集是一个经典的多类分类数据集,包含178个样本,每个样本有13个特征。

多标签数据集的生成与分类

本文介绍了如何生成多标签数据集,并使用PCA和CCA进行降维,最后通过SVM进行分类。

支持向量机:处理不平衡类别的超平面

本页面介绍了如何使用支持向量机(SVM)来处理不平衡数据集中的分类问题,并展示了如何找到最优的分离超平面。

无监督学习与降维技术

本文介绍了无监督学习中的降维技术,包括主成分分析(PCA)、随机投影和特征聚合等方法,并讨论了它们在数据预处理中的应用。

多类别分类的标签二值化

本文介绍了如何使用scikit-learn库中的函数将多类别标签转换为二值化形式,以便用于机器学习算法中。

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。

特征选择与递归特征消除算法指南

本网页介绍了特征选择的重要性和几种常用的特征选择方法,包括递归特征消除算法和单变量特征选择器等。

机器学习中的模型拟合检查

本文介绍了在机器学习库scikit-learn中如何使用__sklearn_is_fitted__方法来检查模型是否已经拟合,以及如何自定义估计器类。

二元分类数据生成

本页面介绍了如何生成用于二元分类的样本数据,这些数据基于标准独立高斯分布,并根据特定的规则定义目标变量。

多任务Lasso回归分析

本页面介绍了多任务Lasso回归模型,这是一种在多个回归问题中联合选择特征的方法,并通过模拟数据生成和模型拟合来展示其稳定性和效果。

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。

最近质心分类法示例

本网页展示了如何使用最近质心分类法对iris数据集进行分类,并绘制了决策边界。

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。

scikit-learn项目决策制定与社区互动指南

本文介绍了开源项目scikit-learn的决策制定过程,包括社区成员如何反馈、互动以及不同角色的职责和决策方式。

准确率分类评分

本页面介绍了在多标签分类中计算准确率的方法,包括参数说明、返回值以及示例代码。

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