Search

Search Results

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

• 高斯过程回归：基本介绍性示例
  一个简单的一维回归示例以两种不同的方式计算： 1. 无噪声的情况 2. 每个数据点都具有已知噪声级的噪声情况 在这两种情况下，核参数的估计使用最大似然原理。 图中以点态95%置信区
• 随机梯度下降的早期停止
  随机梯度下降是一种优化技术，它以随机的方式将损失函数降到最小，逐个样本进行梯度下降。特别是对线性模型进行拟合是一种非常有效的方法。 作为一种随机方法，损失函数在每一次迭代中都不一定减少，只有在期望的
• 部分依赖图
  部分依赖图表示目标函数[2]与一组“目标”特征之间的依赖关系，在所有其他特征(补集特征)的值上边际化。由于人类感知能力的限制，目标特征集的大小必须很小(通常是一两个)，因此目标特征通常是最重要的特征之
• t-sne：不同perplexity值对形状的影响
  两个同心圆和S曲线数据集对不同perplexity值的t-SNE的说明。 我们观察到，随着perplexity值的增加，形状越来越清晰。 聚类的大小、距离和形状可能因初始化、perplex
• Johnson-Lindenstrauss绑定嵌入随机投影
  Johnson-Lindenstrauss引理指出，任何高维数据集都可以随机投影到低维欧几里得空间中，同时控制成对距离的畸变。 ```python print(__doc__) impo
• ROC曲线
  这个案例展示评估分类器输出质量的接收器工作特征曲线（ROC）是如何工作。 ROC曲线通常在Y轴上具有真正率，在X轴上具有假正率。这意味着该图的左上角是“理想”点-误报率为零，而正误报率为1。这不是很
• 物种分布的核密度估计
  在这里展示的是一个基于最近邻查询的案例，该案例使用基于Haversine距离度量（即，经度/纬度上的点的距离）构建的球树（Ball Tree），对地理空间数据进行最近邻查询（尤其是内核密度估计）。数据
• 用于数字分类的‘受限玻尔兹曼机’功能
  对于灰度图像数据，其中像素值可以解释为白色背景上的黑度，例如手写数字识别，Bernoulli受限Boltzmann机器模型（BernoulliRBM）可以执行有效的非线性特征提取。 为了从一个小
• 混合型列式转换器
  本示例说明了如何使用sklearn.compose.ColumnTransformer将不同的预处理和特征提取管道应用于特征的不同子集。 这对于包含异构数据类型的数据集特别方便，因为我们可能要缩放数字
• 将数据映射到正态分布
  本示例演示通过PowerTransformer使用Box-Cox和Yeo-Johnson变换将数据从各种分布映射到正态分布。 幂变换可用作在建模中需要均等和正态的问题的变换。以下是适用于六个不同
• 使用标签传播学习复杂的结构
  LabelPropagation示例学习一个复杂的内部结构以演示“流形学习”。 外圈应标记为“红色”，内圈应标记为“蓝色”。 由于两个标签组均位于各自不同的形状内，因此可以看到标签在圆周围正确传播。
• 在鸢尾花数据集中绘制不同的SVM分类器
  在鸢尾花数据集的二维投影上比较不同的线性支持向量机分类器。我们仅考虑此数据集的前两个特征： - 花萼长度 - 花萼宽度 此案例会说明如何绘制具有不同核函数的四个SVM分类器的
• 手写数据集上的交叉验证
  LabelPropagation示例学习一个复杂的内部结构以演示“流形学习”。 外圈应标记为“红色”，内圈应标记为“蓝色”。 由于两个标签组均位于各自不同的形状内，因此我们可以看到标签在圆周围正确传播
• FeatureHasher与DictVectorizer的比较
  通过同时使用FeatureHasher和DictVectorizer对文本文档进行矢量化来进行比较。 该示例仅演示语法和速度。 它实际上对提取的向量没有任何帮助。 有关实际学习文本文档的信息，请
• sklearn.get_config
  ```python sklearn.get_config() ``` [[源码]](https://github.com/scikit-learn/scikit-learn/blob/fd2

首页上一页40414243444546下一页末页