Search

Search Results

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

• 带交叉验证的递归特征消除
  一个递归特征消除示例，它使用交叉验证自动调整所选择的特征数。  ```python Opti
• 高斯混合模型选择
  实例表明，利用信息论准则(BIC)可以对高斯混合模型进行模型选择。模型选择涉及到模型中的协方差类型和成分数。在这种情况下，AIC也提供了正确的结果(没有显示出来以节省时间)，但是如果问题是确定正确的模
• 带噪声水平估计的高斯过程回归(GPR)
  此示例说明具有和核(包括WhiteKernel)的CPR可以估计数据的噪声水平。对数边际似然(LML)的图的表明，LML存在两个局部极大值。第一个对应于一个高噪声级和大长度尺度的模型，它解释了数据中的
• 在20newgroups上的多类系数逻辑回归
  比较多项Logistic L1与one-versus-rest L1 Logistic回归对20newgroups数据集的文献进行分类。多项Logistic回归得到更准确的结果，在大尺度数据集上训练速
• 具有多重共线性或相关特征的置换重要性
  在本例中，我们使用 [`permutation_importance`](https://scikit-learn.org.cn/view/849.html)计算 Wisconsin乳腺癌数据集上的置
• 多维标度
  对所生成的噪声数据的有度量和非度量MDS的说明。 使用度量MDS和非度量MDS的重构点稍微移动以避免重叠。 ![](/upload/5f8c0da115477322c726a11cb258
• 对“玩具数据集”进行异常检测，并比较异常检测算法
  此示例显示了二维数据集上不同异常检测算法的特色。数据集包含一种或两种模式（高密度区域），以说明算法处理多模式数据的能力。 对于每个数据集，将生成15％的样本作为随机均匀噪声。该比例是为OneCl
• 在scikit-learn中可视化交叉验证行为
  选择正确的交叉验证对象是正确拟合模型的关键部分。有很多方法可以将数据分为训练集和测试集，从而避免模型过度拟合，例如标准化测试集中的组数等。 本示例将几个常见的scikit学习对象的行为可视化以进
• 用邻域成分分析进行降维
  用于降维的邻域成分分析的样本案例。 本案例比较了应用于手写数字数据集的不同的（线性）降维方法。数据集包含从0到9的数字图像，每个类别大约有180个样本。每个图像的尺寸为8x8 = 64，在这里我
• 在MNIST数据集上可视化MLP权重
  有时查看神经网络的学习系数可以洞悉学习行为。例如，如果权重看起来是无结构的，则可能根本没有使用权重，或者如果存在很大的系数，则可能是正则化过低或学习率过高。 此示例显示了如何在MNIST数据集上
• 使用Pipeline和GridSearchCV选择降维算法
  本示例构建了一个进行降维处理，然后使用支持向量分类器进行预测的管道。 它演示了如何使用GridSearchCV和Pipeline在单个CV运行中优化不同类别的估计量–在网格搜索过程中，将无监督的PCA
• 特征缩放的重要性
  对于许多机器学习算法而言，通过标准化（或Z分数标准化）进行特征缩放可能是重要的预处理步骤。标准化涉及重新缩放特征，以使它们具有标准正态分布的属性，平均值为零，标准差为1。 尽管许多算法（例如SV
• Iris数据集上的标签传播与SVM的决策边界
  标签传播和SVM之间在鸢尾花数据集上生成的决策边界的比较。 这表明标签传播即使在标签数据较少的情况下也能很好地学习。 输出： ![](https://scikit-learn
• 具有非线性内核（RBF）的一类支持向量机（One-class SVM）
  使用一类SVM进行新颖性检测的示例。 一类SVM是一种无监督算法，可学习用于新颖性检测的决策函数：将新数据分类为与训练集相似或不同。 ![](https://scikit-learn.or
• 手写数据集分类练习
  关于在Digits数据集上使用分类技术的教程练习。 此练习在“有监督的学习”的“分类”部分中使用：从“用于科学数据处理的统计学习”教程的高维观测部分预测输出变量。 输出： ```py

首页上一页36373839404142下一页末页