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.

  • 工作流 Anova SVM
    流水线的简单使用，它依次运行一个带有anova的单变量特征选择，然后运行选特征的支持向量机。 利用子管道，拟合的系数可以映射回原来的特征空间. ```python
  • 高斯混合模型椭球
    绘制两个高斯混合模型的置信椭球， 使用的是最大期望算法 (`GaussianMixture` 类) 和变分推理(具有Dirichlet过程先验的BayesianGaussianMixture类模型)。
  • 高斯过程分类的概率预测
    这个例子说明了在不同的超参数选择下，RBF核的GPC的预测概率。第一个图显示了具有任意选择的超参数和对应于最大对数边际似然(LML)的超参数的GPC的预测概率。 虽然通过优化LML选择的超参数具
  • LASSO模型选择：交叉验证/AIC/BIC
    利用Akaike信息准则(AIC)、Bayes信息准则(BIC)和交叉验证，选择[Lasso](https://scikit-learn.org.cn/view/4.html#1.1.3.%20Las
  • 流形学习方法的比较
    用多种流形学习方法对S曲线数据集降维的实例。 有关这些算法的讨论和比较，请参见[manifold module page](https://scikit-learn.org.cn/view/107.
  • 多标签分类
    本示例模拟了多标签文档分类问题。数据集是根据以下过程随机生成的： - 选择标签数量：n ~ Poisson(n_labels) - 服从泊松分布 - n次，选择一个类别c：c ~ Mult
  • 平衡模型的复杂性和交叉验证的分数
    本案例通过在最佳准确性得分的1个标准偏差内找到适当的准确性，同时使PCA组件的数量最小化来平衡模型的复杂性和交叉验证的得分[1]。 该图显示了交叉验证得分和PCA组件数量之间的权衡。 平衡情况是
  • 比较有邻域成分分析与无邻域成分分析的最近邻域
    本案例比较了有领域成分分析和无领域成分分析的两种最近邻分类算法。 当在原始特征上使用欧几里得距离时，它将使用最近邻分类器给出的标签类别的决策边界作图，而不是通过邻域成分分析学习到的变换后的欧几里
  • 管道：链接PCA和逻辑回归
    PCA可进行无监督的降维，而使用逻辑回归进行预测。 我们使用GridSearchCV设置PCA的维度。 ```python print(__doc__) # 源代码: Gaël
  • 演示KBinsDiscretizer的不同策略
    本示例介绍了KBinsDiscretizer中实现的不同策略： - ‘uniform’：统一，离散化在每个特征上都是统一的，这意味着bin宽度在每个维度上都是恒定的。 - ‘quantil
  • 使用线性与非线性核的支持向量机回归
    在本案例中，我们在玩具数据集上用线性、多项式及RBF核的支持向量机分别进行一维回归。 ![](https://scikit-learn.org/stable/_images/sphx_glr_p
  • sklearn.base.is_regressor
    ```python sklearn.base.is_regressor(estimator) ``` [[源码]](https://github.com/scikit-learn/sciki
  • sklearn.cluster.dbscan
    ```python sklearn.cluster.dbscan(X, eps=0.5, *, min_samples=5, metric='minkowski', metric_params=No
  • sklearn.linear_model.lars_path_gram
    ```python sklearn.linear_model.lars_path_gram（Xy，Gram，*，n_samples，max_iter = 500，alpha_min = 0，metho
  • sklearn.covariance.empirical_covariance
    ```Python sklearn.covariance.empirical_covariance(X, *, assume_centered=False) ``` [[源码]](https

首页333435373839末页