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。

稳健协方差估计器:最小协方差行列式估计器

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。

谱聚类共聚类算法演示

本文介绍了使用谱聚类共聚类算法对数据集进行分析的过程,包括数据集的生成、模型的训练以及结果的可视化展示。

Huber回归与岭回归的比较

本文通过生成的回归数据集,展示了Huber回归和岭回归在面对异常值时的不同表现,并分析了Huber回归参数epsilon对模型的影响。

数字分类练习教程

本教程介绍了如何使用分类技术对数字数据集进行分类,包括KNN和逻辑回归方法的应用。

Tweedie偏差回归损失计算

本文介绍了Tweedie偏差回归损失的计算方法,包括参数设置和不同分布类型下的计算公式。

F-beta得分计算与应用

本页面介绍了F-beta得分的计算方法和参数,以及如何在不同情况下使用该得分来评估分类模型的性能。

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。

Scikit-learn 全局配置指南

本文介绍了如何设置scikit-learn库的全局配置,包括参数验证、内存使用、输出格式等,旨在提高机器学习任务的效率和性能。

不平衡数据集的样本权重估计

本文介绍了如何在不平衡数据集中估计样本权重,以帮助改善分类模型的性能。

决策树模型导出为GraphViz格式

本页面介绍如何将决策树模型导出为GraphViz格式,并提供了详细的参数说明和示例代码。

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。

单调约束对梯度提升估计器的影响

本网页通过构建人工数据集,展示了单调约束在梯度提升估计器中的应用及其对模型预测的影响。

ROC与DET曲线比较

本网页介绍了ROC曲线和DET曲线在二元分类任务中的比较,包括它们的定义、绘制方法以及如何使用Python的scikit-learn库来实现。

互信息估计方法

本页面介绍了互信息的概念、计算方法以及在特征选择中的应用。

特征聚合示例

本页面展示了如何使用特征聚合技术将相似的特征合并在一起,并通过Python代码和图表进行演示。

MaxAbsScaler 数据标准化处理

本文介绍了MaxAbsScaler的作用、参数、使用注意事项以及示例代码。MaxAbsScaler是一种将数据特征缩放到[-1, 1]范围内的标准化方法,适用于机器学习和数据科学领域。

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。

距离矩阵计算方法

本页面介绍了如何计算距离矩阵,包括输入参数、计算方法以及多线程计算的应用。

计算科恩卡帕系数

本文介绍了如何使用科恩卡帕系数来衡量两个标注者在分类问题上的一致性水平。

二元分类任务的错误率计算

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。

图像分割的谱聚类算法示例

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。

汉明损失计算

本文介绍了汉明损失的概念、计算方法以及在多类分类和多标签分类中的应用。

Calinski-Harabasz 分数计算方法

本文介绍了Calinski-Harabasz分数的定义、参数、返回值以及如何使用Python中的sklearn库进行计算。

图像分类中像素重要性评估

本文介绍了如何使用随机森林算法在人脸数据集中评估像素的重要性,并展示了如何进行并行计算以提高效率。

增量计算均值和方差

本页面介绍了如何在CSR或CSC矩阵上沿指定轴增量计算均值和方差。

单类SVM异常检测示例

本页面展示了如何使用单类SVM进行异常检测,包括数据生成、模型训练、预测及结果可视化。

单类SVM算法介绍

本文介绍了单类SVM算法,这是一种无监督学习算法,用于新颖性检测,能够将新数据分类为与训练集相似或不同。

机器学习库scikit-learn 1.0版本更新概览

本文介绍了scikit-learn 1.0版本的新特性、改进和bug修复,包括API的变化、新引入的变换器和回归器等。

机器学习中的偏差、方差和噪声

本文探讨了机器学习中模型的偏差、方差和噪声问题,并介绍了如何通过验证曲线和学习曲线来评估模型性能。

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