交叉验证与排列测试

本文介绍了如何使用排列测试来评估交叉验证分数的统计显著性,以及如何解释得到的p值。

稳健回归估计器:Theil-Sen与OLS和RANSAC的比较

本文比较了Theil-Sen估计器与OLS和RANSAC估计器在处理异常值时的性能,并提供了Python代码示例。

高斯混合模型(GMM)与信息论标准

本文介绍了如何使用信息论标准,如AIC和BIC,来选择高斯混合模型(GMM)的最佳参数,包括协方差类型和模型中的组分数量。

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。

标签传播算法演示

本页面通过一个简单的示例演示了标签传播算法在半监督学习中的应用,通过可视化的方式展示了算法的工作原理。

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。

数据预处理技术概览

本文介绍了多种数据预处理技术,包括二值化、特征缩放、编码器等,旨在帮助数据科学家和工程师更好地准备数据以进行机器学习。

集成学习算法概览

本文介绍了多种集成学习算法,包括AdaBoost、Bagging、ExtraTrees、Gradient Boosting、Isolation Forest、Random Forest、Stacking和Voting等。

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。

Scikit-learn 估计器概览

本文介绍了如何使用Scikit-learn库中的函数来检索所有继承自BaseEstimator的估计器类。

降维技术:邻域成分分析

本文介绍了使用邻域成分分析(NCA)进行降维的方法,并与PCA和LDA进行了比较。

Oracle Approximating Shrinkage算法详解

本文介绍了Oracle Approximating Shrinkage算法,这是一种用于估计协方差的技术,广泛应用于数据科学和机器学习领域。

图像去噪与字典学习

本网页介绍了使用在线字典学习和不同的变换方法对浣熊脸部图像碎片进行去噪的过程。

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。

特征离散化在分类数据集中的应用

本文通过合成的分类数据集,展示了特征离散化技术如何通过将特征分解成多个区间,并使用独热编码,来增强线性分类器的性能。同时,对比了在线性可分和非线性可分数据集上,特征离散化对分类器性能的影响。

随机森林与多输出回归器的比较

本文介绍了如何使用随机森林回归器和多输出回归器进行多目标回归分析。通过比较这两种方法,我们可以了解它们在预测多个输出时的效能和偏差。

支持向量机中的正则化参数调整

本文探讨了在使用支持向量机进行分类时,如何根据样本数量调整正则化参数C,以达到最佳的分类效果。

支持向量机中的正则化参数调整

本文探讨了在使用支持向量机进行分类时,如何调整正则化参数C以适应不同数量的训练样本。

非负矩阵分解(NMF)介绍

本网页介绍了非负矩阵分解(NMF)的概念、算法和应用示例。NMF是一种用于数据降维、源分离或主题提取的矩阵分解技术。

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。

增量主成分分析(IPCA)示例

本页面介绍了增量主成分分析(IPCA)的概念和实现,以及如何使用IPCA处理大数据集。

覆盖误差计算方法

本文介绍了覆盖误差这一评估多标签分类模型性能的指标,包括其计算方法、参数说明以及如何使用Python中的sklearn库来计算覆盖误差。

多项式计数草图与线性分类器

本网页介绍了如何使用多项式计数草图来近似核方法特征空间,并训练线性分类器以模拟核化分类器的准确性。

决策树规则报告生成器

本网页提供了一个工具,用于生成决策树的规则文本报告。用户可以通过输入决策树模型和特征名称,生成易于阅读的决策树规则文本。

Python科学计算生态系统入门

本文为初学者提供了Python科学计算生态系统的入门指南,包括NumPy数组的基础知识,并推荐了一系列针对特定领域的在线教程和视频资源。

数组转换为浮点数类型

本页面介绍了如何将数组转换为浮点数类型,包括转换过程中的参数设置和数据类型处理。

线性与二次判别分析比较

本文介绍了线性判别分析(LDA)和二次判别分析(QDA)在不同数据集上的表现,并通过可视化展示了两种方法的决策边界和协方差椭球。

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。

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。

弹性网络回归模型

本页面介绍了弹性网络回归模型的计算方法和参数配置,包括单输出和多输出任务的优化函数,以及如何使用坐标下降法来计算模型。

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