Search

Please activate JavaScript to enable the search functionality.

From here you can search these documents. Enter your search words into the box below and click "search". Note that the search function will automatically search for all of the words. Pages containing fewer words won't appear in the result list.

Search Results

Search finished, found 840 page(s) matching the search query.

  • sklearn.gaussian_process.DotProduct
    ```python class sklearn.gaussian_process.kernels.DotProduct(sigma_0=1.0, sigma_0_bounds=(1e-05, 100
  • 归纳聚类
    聚类可能很昂贵，特别是当我们的数据集包含数百万个数据点时。许多聚类算法都不是[归纳](https://scikit-learn.org.cn/lists/91.html#%E9%80%9A%E7%94
  • 1.7 高斯过程
    **高斯过程Gaussian Processes**(GP)是一种通用的有监督学习方法，旨在解决回归和概率分类问题。 高斯过程的优点是： - 预测内插了观察结果（至少对于正则核）。 - 预测结果是
  • 在iris数据集上的PCA例子
    主成分分析应用于 Iris数据集。 有关此数据集的更多信息，请参见[此处](https://en.wikipedia.org/wiki/Iris_flower_data_set)。 ![]
  • 随机森林的OOB
    `RandomForestClassifier`的训练是使用 *bootstrap aggregation*，其中每棵新的树都是从训练观察$z_i = (x_i, y_i)$中 bootstrap采样
  • 真实数据集上的孤立点检测
    此示例说明了对实际数据集进行稳健协方差估计的必要性。它对孤立点检测和更好地理解数据结构都是有用的。 我们从波士顿住房数据集中选择了两组两个变量，以说明使用几个孤立点检测工具可以进行什么样的分析。
  • 绘制多类和One-vs-Rest Logistic回归图
    绘制多类和One-vs-Rest Logistic回归的决策面。对应于三个One-vs-Rest (OVR)分类器的超平面用虚线表示。 ![](/upload/ddc6a2c301eed0a34
  • 压缩估算器表示
    此案例说明了print_changed_only全局参数的用法。 将print_changed_only设置为True，估算器会交替显示，因此，仅仅已设置为非默认值的参数会被展现。这可以实现更紧
  • 比较随机搜索和网格搜索以进行超参数估计
    本案例比较带有SGD训练的随机搜索和网格搜索，以优化线性SVM的超参数。 同时搜索所有影响学习的参数（考虑到训练时间与质量的平衡，我们不考虑估计量的数量）。 随机搜索和网格搜索探索的参数空间完全
  • 最近邻分类
    最近邻居分类的样本用法。 它将绘制每个类别的决策边界。 ![](https://scikit-learn.org/stable/_images/sphx_glr_plot_classificat
  • 处理平局的支持向量机
    （译者注：支持向量机依靠决策边界来进行分类，当一个点更靠近某条决策边界，这个点就更可能被分到这个决策边界所代表的那一类。但会存在一些点，位于边际的中间，即到两个决策边界的距离是一致的，此时这个点的状况
  • sklearn.base.DensityMixin
    ```python class sklearn.base.DensityMixin ``` [[资源]](https://github.com/scikit-learn/scikit-lea
  • sklearn.cluster.SpectralCoclustering
    ```python class sklearn.cluster.SpectralCoclustering(n_clusters=3, *, svd_method='randomized', n_svd
  • sklearn.covariance.GraphicalLasso
    ```python class sklearn.covariance.GraphicalLasso(alpha=0.01, *, mode='cd', tol=0.0001, enet_tol=0.
  • sklearn.linear_model.PoissonRegressor
    ```python class sklearn.linear_model.PoissonRegressor(*, alpha=1.0, fit_intercept=True, max_iter=100

首页202122242526末页