本页面介绍了数据集加载工具的使用方法,包括数据集的获取、处理和生成。
本文介绍了机器学习中常用的数据集,包括玩具数据集、真实世界数据集、生成数据集以及其他数据集的加载方式。
本页面介绍了如何使用RANSAC算法来处理数据中的异常值,并通过Python代码展示了其在异常值存在时的线性回归拟合效果。
本页面展示了如何使用Python中的sklearn库来计算Lasso和弹性网络的正则化路径,并比较了标准和正则化版本的效果。
本文介绍了如何使用numpy中的RandomState对象来控制随机数生成,以及其在机器学习中的应用示例。
本文对比了独立成分分析(ICA)与主成分分析(PCA)两种不同的特征空间分析技术,并通过模拟数据展示了它们在提取信号时的不同表现。
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。
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。
本页面展示了如何利用决策树算法在鸢尾花数据集上进行特征组合和决策边界的绘制。
本文介绍了如何在scikit-learn中使用多类别分类器,包括元估计器的概念、预测概率的计算以及多类策略的实现。
本页面解释了如何根据目标数据识别数据类型,包括连续型、二进制、多类、多输出和多标签等类型。
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。
本文详细介绍了DBSCAN聚类算法的参数设置、工作原理以及在Python中的实现方法。
本文介绍了如何使用不同的稳健线性估计方法来拟合一个正弦函数,并比较了在不同情况下它们的表现。
本页面介绍了如何计算L1正则化分类器的C参数下限,包括参数说明和示例代码。
本页面介绍了最小角回归(LARS)算法及其在Lasso路径计算中的应用,包括参数设置、优化目标、算法特点以及实际代码示例。
本文比较了PCA和KernelPCA在数据投影上的差异,展示了KernelPCA在非线性数据分离上的优势。
本网页展示了如何使用scikit-learn的在线API来通过分块处理大型数据集,以学习一组构成人脸的图像块。
本网页展示了如何使用scikit-learn库中的cross_val_predict函数与PredictionErrorDisplay工具来可视化预测误差。
本文探讨了高斯过程分类(GPC)在不同超参数选择下的预测概率,以及优化对数边缘似然(LML)对模型性能的影响。
本文介绍了如何使用LearningCurveDisplay类绘制学习曲线,并分析了朴素贝叶斯和SVM分类器的学习曲线。同时,探讨了这些预测模型的可扩展性,包括计算成本和统计准确性。
本文介绍了如何在Python中使用CSR或CSC格式的稀疏矩阵进行行缩放操作。
本网页展示了如何使用不同的分类器对三类数据集进行分类,并可视化分类概率。
本网页介绍了使用OneClassSVM模型分析南美洲两种哺乳动物的地理分布情况,包括模型拟合、预测分布和ROC曲线下面积的计算。
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。
本教程旨在通过使用不同的SVM核函数来分类鸢尾花数据集,提供了详细的代码实现和结果展示。
本文介绍了如何使用交叉验证方法来评估机器学习模型的预测性能,并提供了详细的参数说明和代码示例。
本网页探讨了贝叶斯高斯混合模型中权重浓度先验的不同类型对模型拟合数据的影响。通过比较Dirichlet分布先验和Dirichlet过程先验,展示了模型如何自动适应混合成分的数量,并分析了不同浓度先验值对模型结果的影响。
本网页展示了如何使用Python的scikit-learn库中的PartialDependenceDisplay对象来绘制和自定义部分依赖图。
本文通过模拟数据对比了独立成分分析(ICA)和主成分分析(PCA)在二维点云上的应用效果。