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.

  • 具有异构数据源的列变形器
    数据集通常可以包含需要不同特征提取和处理管道的组件。 在以下情况下可能会发生这种情况： 1. 您的数据集包含异构数据类型（例如，光栅图像和文字标题）， 2. 您的数据集存储在pandas.
  • 特征离散化
    在合成分类数据集上进行特征离散化的演示。特征离散化将每个特征分解为一组bin，此处的宽度均匀分布。然后将离散值进行一次热编码，并提供给线性分类器。即使分类器是线性的，此预处理也可以实现非线性行为。
  • 手写数据集上的标签传播：性能展示
    本示例通过训练标签扩展模型来用很少的标签集对手写数字进行分类，展示了半监督学习的能力。 手写数字数据集共有1797个点。 该模型将使用所有点进行训练，但仅会标记30个点。 以混淆矩阵和一系列关于
  • 缩放SVC的正则化参数
    这个案例展示了当我们使用支持向量机做分类时，对正则化参数进行缩放时的效果。在进行支持向量机分类时，我们对以下等式的风险最小化很感兴趣： $$ C \sum_{i=1, n} \mathcal{L}
  • 支持向量机的练习
    使用不同的SVM内核的教程练习。 该练习在“有监督的学习”的“使用内核”部分中进行了使用：“从用于科学数据处理的统计学习教程”的高维观察部分预测输出变量。 ```python i
  • 使用k-means聚类文本文档
    这是一个示例，展示了如何使用词袋方法将scikit-learn用于按主题对文档进行聚类。本示例使用scipy.sparse矩阵存储要素，而不是标准numpy数组。 在此示例中，可以使用两种特征提
  • sklearn.set_config
    ```python sklearn.set_config(assume_finite=None, working_memory=None, print_changed_only=None, disp
  • sklearn.calibration.CalibratedClassifierCV
    ```python class sklearn.calibration.CalibratedClassifierCV(base_estimator=None, *, method='sigmoid',
  • sklearn.kernel_approximation.RBFSampler
    ```python class sklearn.kernel_approximation.RBFSampler(*, gamma=1.0, n_components=100,random_state
  • sklearn.cluster.spectral_clustering
    ```python sklearn.cluster.spectral_clustering(affinity, *, n_clusters=8, n_components=None, eigen_so
  • sklearn.compose.make_column_transformer
    ```python sklearn.compose.make_column_transformer(*transformers, **kwargs) ``` [[源码]](https://g
  • sklearn.linear_model.orthogonal_mp_gram
    ```python sklearn.linear_model.orthogonal_mp_gram(Gram, Xy, *, n_nonzero_coefs=None, tol=None, norm
  • sklearn.covariance.oas
    ```Python sklearn.covariance.oas(X, *, assume_centered=False) ``` [[源码]](https://github.com/sci
  • sklearn.cross_decomposition.PLSRegression
    ```python class sklearn.cross_decomposition.PLSRegression(n_components=2, *, scale=True, max_iter=50
  • sklearn.manifold.spectral_embedding
    ```python sklearn.manifold.spectral_embedding(adjacency, *, n_components=8, eigen_solver=None, rand

首页454647495051末页