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。

多维缩放分析示例

本页面展示了如何使用Python和scikit-learn库进行多维缩放分析(MDS)和非度量多维缩放(NMDS)的示例。

多项式特征与线性回归拟合非线性函数

本文介绍了如何使用带有多项式特征的线性回归来近似非线性函数,并通过交叉验证来评估模型的过拟合或欠拟合。

数据权重对模型的影响

本文探讨了数据权重在模型训练中的作用,并通过Python代码示例展示了权重如何影响决策边界。

特征空间分析的稳健方法

本文介绍了一种在特征空间分析中使用的稳健方法,通过MeanShift聚类算法自动估计带宽,并使用matplotlib进行数据可视化。

Pinball Loss 量化回归评估

本文介绍了Pinball Loss在量化回归中的应用,包括其参数设置、计算方法和示例代码。

异常检测:孤立森林示例

本文介绍了如何使用孤立森林算法进行异常检测,并展示了如何在Python中生成数据、训练模型以及可视化决策边界。

加权众数计算方法

本文介绍了一种计算加权众数的方法,通过给定的数组和权重,找到出现频率最高的值及其对应的加权计数。

递归特征消除与交叉验证

本页面介绍了如何使用递归特征消除(RFE)结合交叉验证来自动调整所选特征的数量。

生成高斯数据集

本页面介绍如何使用sklearn库中的make_blobs函数生成高斯数据集,用于聚类分析。

多指标网格搜索示例

本页面展示了如何使用Python的scikit-learn库进行多指标网格搜索,并使用决策树分类器进行模型选择和评估。

手写数字识别示例

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。

鸢尾花数据集的逻辑回归分析

本页面展示了如何使用Python中的逻辑回归模型对鸢尾花数据集进行分析,并可视化其决策边界。

数据预处理工具类介绍

本文介绍了几种在机器学习中常用的数据预处理工具类,包括LabelBinarizer、MultiLabelBinarizer和LabelEncoder的使用方法和应用场景。

手写数字识别数据集使用指南

本文介绍了如何使用scikit-learn库中的手写数字数据集进行机器学习任务,包括数据加载、图像展示以及相关参数说明。

支持向量机(SVM)参数C对分离线的影响

本文通过图形展示了支持向量机中参数C对数据分离线的影响,以及如何通过调整C值来优化模型的泛化能力。

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。

零一分类损失函数

本文介绍了零一分类损失函数的计算方法,包括参数说明、返回值以及在多标签分类中的应用。

解释方差回归评分函数

本文介绍了解释方差回归评分函数,这是一种用于评估预测模型性能的指标。

ROC与DET曲线比较分类器性能

本文介绍了如何使用ROC和DET曲线来比较不同分类器的性能,并提供了相应的Python代码实现。

逻辑回归分类器与鸢尾花数据集

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。

数据生成器在机器学习中的应用

本文介绍了多种数据生成器,包括分类、聚类、回归和流形学习的数据生成器,以及它们在机器学习中的应用。

等值回归算法演示

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。

支持向量机(SVM)最大边界超平面示例

本文介绍了如何使用支持向量机(SVM)分类器和线性核来绘制一个两类别可分离数据集中的最大边界超平面。

scikit-learn 1.0版本发布亮点

本文介绍了scikit-learn 1.0版本的新特性、改进和bug修复。

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。

均方误差回归损失计算

本文介绍了均方误差回归损失的概念、计算方法和在机器学习中的应用。

线性回归与决策树模型的比较

本文比较了线性回归模型和决策树模型在有无数据离散化情况下的表现,并提供了相应的Python代码实现。

基于新闻组数据集的共聚类算法

本文介绍了在新闻组数据集上应用共聚类算法的过程,包括数据预处理、TF-IDF向量化、Dhillon共聚类算法的应用以及与其他聚类算法的比较。

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