Search

Search Results

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

• 手写数字上的流形学习：局部线性嵌入，Isomap…
  现在来看数字数据集上各种嵌入的说明。 RandomTreesEmbedding，来自 [`sklearn.ensemble`](https://scikit-learn.org.cn/lists/3
• RBF内核的显式特征图近似
  一个示例，说明了RBF内核的特征图的近似值。 它显示了如何使用RBFSampler和Nystroem来近似RBF内核的特征图，以便在数字数据集上使用SVM进行分类。比较了使用原始空间中的线性SV
• 在建立估算器之前估算缺失值
  可以使用基本sklearn.impute.SimpleImputer将缺失值替换为平均值，中位数或最频繁的值（众数）。 在此示例中，我们将研究不同的插补技术： - 归因于常数0 -
• 绘制学习曲线
  在第一列的第一行中，显示了手写数字数据集上朴素贝叶斯分类器的学习曲线。 请注意，训练分数和交叉验证分数最后都不太好。但是，这个曲线的形状经常会在更复杂的数据集中被找到：训练得分在开始时很高，然后降低，
• 分类器链
  我们看在多标签数据集上使用分类器链的示例。 在此示例中，我们将使用酵母数据集，其中包含2417个数据点，每个数据点具有103个特征和14个可能的标签。每个数据点至少具有一个标签。作为基线，我们首
• TSNE中近似的最近邻
  本案例介绍了如何在管道中链接KNeighborsTransformer和TSNE。 它还显示了如何包装软件包annoy和nmslib来替换KNeighborsTransformer并执行最近邻估计。这
• 多层感知器中的正则化
  比较合成数据集上正则化参数“alpha”的不同值。 该图显示不同的alpha产生不同的决策函数。 Alpha是正则化项（也称为惩罚项）的参数，它通过限制权重的大小来防止过度拟合。 增加alpha
• 在回归模型中转换目标的效果
  在此示例中，我们概述了sklearn.compose.TransformedTargetRegressor。 两个示例说明了在学习线性回归模型之前转换目标的好处。 第一个示例使用合成数据，而第二个示例
• 将不同缩放器对数据的影响与离群值进行比较
  加利福尼亚住房数据集的特征0（中位数收入）和特征5（家庭数）具有不同的尺度，并包含一些非常大的离群值。这两个特征导致难以可视化数据，更重要的是，它们会降低许多机器学习算法的预测性能。未缩放的数据也会减
• 手写数字数据集上的标签传播：主动学习
  该示例展示了一种主动学习技术，可以使用标签传播来学习手写数字。 首先训练仅带有10个标记点的标签传播模型，然后选择前五个不确定性最高的点进行标记。 接下来，训练15个带标记的点（原始10个+ 5
• RBF核支持向量机的参数
  本案例展示了参数gamma和C对径向基函数核函数（RBF）下的支持向量机的影响。 直观地说，gamma参数定义了“单个训练样本对整个模型的影响程度”，gamma值很低表示“影响深远”，gamma
• 糖尿病数据集上的交叉验证练习
  使用线性模型交叉验证的教程练习。 本练习在“模型选择”的“交叉验证的估计器”部分中使用：《科学数据处理的统计学习指南》的“选择估计器及其参数”部分。 ```python print(__
• 使用稀疏特征对文本文档进行分类
  此示例显示了如何使用词袋方法将scikit-learn用于按主题对文档进行分类。 本示例使用scipy.sparse矩阵存储特征，并演示了可以有效处理稀疏矩阵的各种分类器。 本示例中使用的数据集
• sklearn.show_versions
  ```python sklearn.show_versions() ``` [[源码]](https://github.com/scikit-learn/scikit-learn/blob/
• sklearn.calibration.calibration_curve
  ```python sklearn.calibration.calibration_curve(y_true, y_prob, *, normalize=False, n_bins=5, strat

首页上一页50515253545556下一页