稳健协方差估计与马氏距离的相关性

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。

低秩矩阵生成指南

本页面介绍了如何生成具有钟形奇异值分布的低秩矩阵,这种矩阵在实际应用中非常常见,如面部灰度图像和从网络爬取的文本文档的TF-IDF向量。

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。

非负最小二乘法与普通最小二乘法比较

本文比较了非负最小二乘法(NNLS)和普通最小二乘法(OLS)在拟合线性模型时的表现,包括回归系数的比较和模型的稀疏性。

密度不同的聚类分析

本文通过生成不同密度的数据集,使用OPTICS算法的Xi聚类检测方法和设置特定的可达性阈值来模拟DBSCAN算法,展示了不同阈值下DBSCAN算法的聚类效果。

谱聚类算法详解

本文详细介绍了谱聚类算法的原理、参数设置以及应用实例。

LARS路径算法详解

本文详细介绍了LARS路径算法的工作原理和参数设置,包括算法的目标函数、参数详解以及代码示例。

不同层次聚类方法的可视化

本网页展示了在二维数字数据集上应用不同层次聚类方法的可视化效果,包括ward、average、complete和single等链接策略。

谱聚类图像分割技术

本文介绍了一种利用谱聚类算法进行图像分割的技术,通过构建图模型并应用梯度最小化策略来分离图像中的不同对象。

正交匹配追踪算法(OMP)详解

本文详细介绍了正交匹配追踪(OMP)算法的原理、参数设置以及在机器学习中的应用示例。

鸢尾花数据集分析

本文介绍了如何使用Python和机器学习库对鸢尾花数据集进行加载、可视化和主成分分析(PCA)。

特征缩放:MinMaxScaler使用指南

本文介绍了MinMaxScaler在机器学习中如何用于特征缩放,以及如何避免数据泄露的风险。

机器学习模型验证工具

本页面介绍了一个用于验证机器学习模型是否遵循scikit-learn框架约定的工具,包括API兼容性、输入验证和形状检查等。

平均精度(AP)计算方法

本页面介绍了如何计算平均精度(AP),包括其公式、参数和在机器学习中的应用示例。

贝叶斯高斯混合模型分析

本网页介绍了如何使用贝叶斯高斯混合模型对玩具数据集进行拟合,并分析了不同权重浓度先验对模型的影响。

高斯过程在离散数据结构上的应用

本网页介绍了如何使用高斯过程对非固定长度特征向量形式的数据进行回归和分类任务。

SVM-Anova特征选择示例

本页面展示了如何在使用支持向量分类器(SVC)之前进行单变量特征选择以提高分类分数。我们使用鸢尾花数据集,并添加了36个非信息性特征。

层次聚类在二维图像中的应用

本网页介绍了如何使用Ward层次聚类方法对二维图像进行空间约束的聚类处理,并展示了相应的Python代码实现。

在线字典学习矩阵分解问题求解

本页面介绍了在线字典学习矩阵分解问题的求解方法,包括算法参数详解和示例代码。

高斯混合模型置信椭圆绘制

本页面展示了如何使用期望最大化和变分推断方法,结合狄利克雷过程先验,绘制两个高斯分布混合的置信椭圆。

交叉验证生成器工具

本页面介绍了一个用于构建交叉验证生成器的工具,包括参数说明、使用方法以及示例代码。

D²评分函数详解

本文详细介绍了D²评分函数,这是一种用于评估分类模型性能的指标,通过比较实际标签和预测概率来计算得分。

主题提取技术:NMF与LDA

本网页介绍了如何使用非负矩阵分解(NMF)和潜在狄利克雷分配(LDA)对文档集合进行主题提取,并展示了使用Python和scikit-learn库实现的代码示例。

AdaBoost分类器示例

本页面展示了如何使用AdaBoost分类器对非线性可分数据集进行分类,并绘制了决策边界和决策分数的分布图。

机器学习中的决策边界可视化

本文介绍了如何使用Python和机器学习库sklearn来可视化决策边界,特别是针对Iris数据集的多类SGD分类器。

t-SNE技术及其困惑度参数的影响

本文探讨了t-SNE技术在不同困惑度参数下对数据集形状的影响,并通过实例代码展示了如何使用t-SNE进行有效的数据降维和可视化。

随机搜索与减半随机搜索的比较

本文介绍了随机搜索和减半随机搜索在机器学习模型参数优化中的应用,并提供了代码示例。

特征重要性评估:排列重要性方法

本文介绍了如何使用排列重要性方法来评估机器学习模型中各个特征的重要性。

KBinsDiscretizer策略演示

本页面展示了KBinsDiscretizer中实现的不同离散化策略,包括均匀离散化、分位数离散化和K均值离散化,并提供了相应的Python代码示例。

嵌套与非嵌套交叉验证比较

本文比较了在鸢尾花数据集上的分类器上嵌套与非嵌套交叉验证策略。嵌套交叉验证通常用于训练需要优化超参数的模型。

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