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.

  • 绘制分类的概率
    绘制不同分类器的分类概率。我们使用一个3类的数据集，并使用支持向量分类器、带L1和L2惩罚项的Logistic回归， 使用One-Vs-Rest或多项设置以及高斯过程分类对其进行分类。 在默认情
  • toy数据集上不同层次链接方法的比较
    这个例子展示了不同的链接方法在数据集上的分层聚类的特点，这些方法是“interesting”，但仍然是2D的。 主要观察结果如下: - 单链接速度快，可以很好地处理非球形数据，但在存在噪声
  • 3.3 指标和评分：量化预测的质量
    3个不同的API可供评估模型预测质量： - 评估器评分方法：评估器有一个score方法，它给计划解决的问题提供一个初始评估标准。这部分内容不在这里讨论，但会出现在每一个评估器的文件中。 - 评
  • 1.15 Isotonic回归
    类 [`IsotonicRegression`](https://scikit-learn.org.cn/view/852.html)拟合一维数据的非降实数函数。它解决了以下问题： $$ mini
  • 2.7. 奇异值和异常值检测
    许多应用程序要有能力判断新观测值是否与现有观测值具有相同的分布(它是一个内点(inlier))，或者应该被认为是不同的（它是一个离群值）。通常，这种能力被用于清理实际数据集, 必须做出两种重要区分:
  • 6.7 内核近似
    该子模块包含近似于与某些内核对应的特征映射的函数，例如在支持向量机中使用它们（请参阅[Support Vector Machines](https://scikit-learn.org.cn/view
  • 8.1. 大数据的计算策略
    ​ 对于一些应用场景，比如许多的样本或者许多的特征（或者样本特征都很多），又或者这个速度问题（太慢）都是一些常规传统技术无法解决的。正因如此，scikit-learn提供了几种方法来解决大
  • 收缩协方差估计：LedoitWolf VS OAS和极大似然
    当处理协方差估计时，通常的方法是使用极大似然估计。例如 [`sklearn.covariance.EmpiricalCovariance`](https://scikit-learn.org.cn/v
  • Iris数据集
    该数据集由3种不同类型的鸢尾花(Setosa、Versicolour和Virica)的花瓣和花萼组成，存储在形状为150x4 的numpy.ndarray中。 行是样本和列分别为花萼长、花萼宽、
  • 在iris数据集上绘制决策树的决策面
    绘制根据iris数据集的一对特征进行训练的决策树的决策面。 有关估计器的更多信息，请参见[决策树](https://scikit-learn.org.cn/view/89.html)。 对于每一对
  • 使用预计算字典的稀疏编码
    将信号变换为Ricker小波的稀疏组合。这个例子直观地比较了不同的稀疏编码方法， 使用[`sklearn.decomposition.SparseCoder`](https://scikit-lear
  • 单个估计器 vs bagging：偏差-方差分解
    此示例说明并比较了单个估计器的期望均方误差与bagging 集成的偏差-方差分解。 在回归中，估计器的期望均方误差可以用偏差、方差和噪声来分解。在回归问题的平均数据集上，偏差项度量了估计器的预测
  • Libsvm GUI
    Libsvm的一个简单的图形前端主要用于教学目的。您可以逐点创建数据点 点击 并可视化由不同内核和参数设置引起的决策区域。 若要创建正示例，请单击鼠标左键；若要创建负面示例，请单击右侧按钮。
  • 基于SelectFromModel和LassoCV的特征选择
    使用SelectFromModel元-转换器和Lasso从糖尿病数据集中选择最佳的一对特征。 由于L1范数促进了特征的稀疏性，所以我们可能只对数据集中最有兴趣的特征子集感兴趣。此示例演示如何从糖
  • GMM协方差
    高斯混合模型几种协方差类型的证明。 有关估计器的更多信息，请参见[高斯混合模型](https://scikit-learn.org.cn/lists/4.html#%E9%AB%98%E6%96%A

首页394041434445末页