本文介绍了scikit-learn 1.4版本的新特性、改进和bug修复。
本页面介绍了Top-k准确率评分的概念、参数、返回值以及示例代码。
本文介绍了在高斯分布数据中使用稳健协方差估计和马氏距离来识别异常值和进行数据聚类。
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。
本文介绍了scikit-learn库的新版本更新,包括bug修复、性能提升和新特性介绍,如元数据路由、HDBSCAN聚类算法、TargetEncoder编码策略等。
本教程介绍了如何使用交叉验证和线性模型对糖尿病数据集进行模型选择和参数调优。
本网页介绍了如何使用RBFSampler和Nystroem近似RBF核函数的特征映射,并在手写数字数据集上使用SVM进行分类。比较了在原始空间中使用线性SVM、使用近似映射的线性SVM以及核化SVM的结果。
本页面介绍了如何对输入的数组、列表或类似结构进行验证,包括数据类型、数值检查、稀疏矩阵格式转换等。
本文比较了主成分回归(PCR)和偏最小二乘回归(PLS)在一个小数据集上的表现,展示了在目标变量与数据中的某些低方差方向强相关时,PLS如何优于PCR。
本页面介绍了如何使用F-test和互信息方法来分析特征与目标变量之间的依赖性,并展示了相应的Python代码实现。
本文介绍了如何使用Python的sklearn库中的gen_even_slices函数来生成等间隔的切片。
本页面介绍了最大似然协方差估计器的计算方法和应用示例。
本网页旨在通过线性回归模型分析,比较不同特征对目标变量的影响,并展示模型的可视化效果。
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。
本文介绍了如何使用get_scorer_names函数来获取所有可用评分器的名称,并提供了详细的参数说明、返回值以及示例代码。
本网页介绍了如何使用机器学习技术对手写数字图像进行识别,并提供了相应的代码示例。
本网页展示了如何使用岭回归来近似一个函数,通过多项式和样条插值方法。
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。
本文介绍了如何使用支持向量机(SVM)在鸢尾花数据集上进行分类,并展示了不同核函数下的决策边界。
本页面介绍了如何使用sklearn库中的函数计算两个样本集之间的L1距离,即曼哈顿距离,并提供了代码示例。
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。
本文介绍了如何使用逻辑回归分类器处理鸢尾花数据集,并展示了决策边界的可视化。
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。
本页面展示了等值回归算法和线性回归算法在处理具有均匀同质噪声的数据时的效果对比。
本网页介绍了如何使用谱聚类算法进行图像分割的示例,包括代码实现和结果展示。
本文介绍了scikit-learn 1.0版本的新特性、改进和bug修复。
本文介绍了随机投影技术,一种通过牺牲一定精度来加快处理速度和减小模型大小的降维方法。
本网页介绍了如何使用连续减半搜索(Successive Halving)方法来选择最佳的参数组合。
本文介绍了如何使用Scikit-learn的全局配置管理器来优化机器学习模型的性能和内存使用。
本文介绍了支持向量机(SVM)在不同核函数下分类器的绘制方法,并探讨了SVM在回归分析中的应用。