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.

  • 压缩感知：基于L1(Lasso)先验层析重建
    这个例子显示了从一组平行的投影中重建图像，这些投影是沿着不同的角度获得的。这样的数据集是在**computed tomography** (CT)。 如果没有关于样本的任何先验信息，重建图像所需的投
  • XOR数据集上高斯过程分类(GPC)的说明
    此示例说明XOR数据上的GPC。比较了平稳、各向同性核(RBF)和非平稳核(DotProduct)。在这个特定的数据集上，DotProduct内核获得了更好的结果，因为类边界是线性的，并且与坐标轴重合
  • 鲁棒线性估计拟合
    这里，正弦函数与3阶多项式拟合，其数值接近于零。 在不同的情况下，稳健的拟合会被降级： - 没有测量误差，只有建模误差(用多项式拟合正弦) - X测量误差 - y测量误差 对非损
  • 带有可视化API的ROC曲线
    Scikit-learn定义了一个简单的API，用于创建用于机器学习的可视化。 该API的主要功能是无需重新计算即可进行快速绘图和视觉调整。 在此示例中，我们将通过比较ROC曲线来演示如何使用可视化A
  • 训练误差与测试误差
    本案例可视化了估算器在未曾见过的数据（测试数据）上的性能与训练数据的性能如何不同。随着正则化的增加，训练集的性能会下降，而测试集上的性能在正则化参数的值范围内最佳。这是一个使用Elastic-Net回
  • 最近邻质心分类
    最近质心分类的样本用法。 本案例将绘制每个类别的决策边界。 ![](https://scikit-learn.org/stable/_images/sphx_glr_plot_nearest_c
  • 支持向量机：有权重的样本
    本案例绘制加权数据集的决策函数，其中点的大小与其权重成正比。 样本加权会重新缩放C参数，这意味着分类器将更多的重点放在正确设置这些点上。 效果通常可能很微妙。为了强调此处的效果，我们特别加大了离
  • sklearn.base.RegressorMixin
    ```python class sklearn.base.RegressorMixin ``` [[源码]](https://github.com/scikit-learn/scikit-l
  • sklearn.cluster.affinity_propagation
    ```python sklearn.cluster.affinity_propagation(S, *, preference=None, convergence_iter=15, max_iter
  • sklearn.covariance.GraphicalLassoCV
    ```python class sklearn.covariance.GraphicalLassoCV(*, alphas=4, n_refinements=4, cv=None, tol=0.000
  • sklearn.linear_model.TweedieRegressor
    ```python class sklearn.linear_model.TweedieRegressor(*, power=0.0, alpha=1.0, fit_intercept=True, l
  • sklearn.metrics.pairwise_distances
    ```python sklearn.metrics.pairwise_distances(X, Y=None, metric='euclidean', *, n_jobs=None, force_a
  • sklearn.datasets.make_moons
    ```python sklearn.datasets.make_moons(n_samples=100, *, shuffle=True, noise=None, random_state=None
  • sklearn.decomposition.PCA
    ```python class sklearn.decomposition.PCA(n_components=None, *, copy=True, whiten=False, svd_solver=
  • sklearn.ensemble.IsolationForest
    ```python class sklearn.ensemble.IsolationForest(*, n_estimators=100, max_samples='auto', contaminat

首页222324262728末页