计算折扣累积增益(Discounted Cumulative Gain)

本文介绍了如何使用折扣累积增益(Discounted Cumulative Gain, DCG)来评估多标签分类或实体排序任务的性能。

生成双聚类结构数组

本文介绍了如何生成一个用于双聚类的常数块对角结构数组,包括参数说明、返回值以及示例代码。

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。

多类分类器性能比较

本网页展示了使用不同分类器对三类数据集进行分类的性能比较,包括支持向量机、L1和L2惩罚的逻辑回归、以及高斯过程分类器。

V-Measure聚类评估指标

V-Measure是一种用于评估聚类效果的外部指标,它综合了同质性和完备性两个维度,提供了一个介于0到1之间的评分,以衡量聚类的质量。

均值漂移算法带宽估计

本页面介绍了均值漂移算法中带宽估计的重要性以及如何使用sklearn库中的estimate_bandwidth函数进行带宽估计。

20新闻组数据集加载与向量化

本文介绍了如何使用sklearn库加载和向量化20新闻组数据集,包括参数设置和数据预处理。

数据标准化处理

本页面介绍了数据标准化的概念、方法以及在机器学习中的应用。

梯度提升中的早停技术

本文介绍了梯度提升中的早停技术,通过加州房价数据集的案例,展示了如何使用早停技术来优化模型性能和提高训练效率。

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。

SGD算法中的惩罚函数比较

本文介绍了SGD算法中常用的三种惩罚函数:L1、L2和弹性网络,并展示了它们在不同参数下的轮廓图。

均方误差回归损失计算

本文介绍了均方误差回归损失的计算方法,包括参数定义、计算公式和示例代码。

增量主成分分析(IPCA)示例

本页面展示了增量主成分分析(IPCA)在处理大型数据集时的优势,通过与常规PCA的比较,展示了IPCA在内存使用上的优化,并提供了代码示例和结果图表。

协方差估计与异常检测

本网页介绍了协方差估计和异常检测的基本概念,包括椭圆包络、经验协方差、图形Lasso、Ledoit-Wolf估计等方法,并提供了相应的计算公式和代码示例。

决策树剪枝与成本复杂性剪枝

本文介绍了如何使用成本复杂性剪枝来控制决策树的规模,并通过实例代码展示了不同ccp_alpha值对决策树的影响。

多指标参数搜索与评估

本文介绍了如何使用scikit-learn库中的GridSearchCV进行多指标参数搜索,并通过图形化展示评估结果。

均方对数误差回归损失

本页面介绍了均方对数误差回归损失的概念、参数、返回值以及使用示例。

数据归一化处理

本页面介绍了数据归一化的概念、方法和在机器学习中的应用。

生成Friedman #2回归问题数据集

本页面介绍了如何使用Python的sklearn库生成Friedman #2回归问题的数据集,包括数据的生成方法和参数说明。

人脸数据集加载指南

本网页介绍了如何加载和使用Labeled Faces in the Wild (LFW)人脸数据集,包括数据集的参数设置和使用示例。

基于投票分类器的分类概率可视化

本文介绍了如何使用Python和sklearn库中的VotingClassifier进行软投票分类,并可视化不同分类器对单个样本的分类概率。

流形学习方法比较

本网页介绍了流形学习方法在S曲线数据集上的应用,包括局部线性嵌入、等距映射、多维尺度分析等算法的比较。

特征选择与F统计量计算

本页面介绍了特征选择的概念,F统计量的计算方法,以及如何在Python中使用sklearn库进行特征选择和F统计量的计算。

层次聚类算法在瑞士卷数据集上的应用

本页面介绍了层次聚类算法在瑞士卷数据集上的应用,包括无结构和有结构的聚类方法,并提供了相应的Python代码示例。

scikit-learn版本更新历史

scikit-learn是一个流行的Python机器学习库,本文记录了scikit-learn从0.4版本到最新版本的更新历史,包括每个版本的新特性和改进。

OPTICS聚类算法演示

本页面展示了OPTICS聚类算法的工作原理,包括数据生成、算法应用以及结果的可视化展示。

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。

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。

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。

决策树回归分析

本文介绍了如何使用决策树进行回归分析,并通过调整树的最大深度来控制模型的复杂度,避免过拟合。

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