sklearn 第2页

2.6. 协方差估计(Covariance estimation)

5

fendouai 发布于 2020-03-04

2.6. 协方差估计(Covariance estimation) 许多统计问题需要估计总体的协方差矩阵(population’s covariance matrix),这可以看作是对数据集散点图形状的估计。大多数情况下,这样的估计必须对其性质(大小、结构、同质性)对估计质量有很...

阅读(1116)赞 (1)

2.9. 神经网络模型(无监督)

2

fendouai 发布于 2020-03-04

2.9. 神经网络模型(无监督) 2.9.1. 受限玻尔兹曼机器(Restricted Boltzmann machines) 受限玻尔兹曼机(RBM)是基于概率模型的无监督非线性特征学习器。将RBM或RBM的层次结构提取的特征输入到线性分类器(如线性支持向量机或感知器)中,往往...

阅读(438)赞 (0)

2.3. 聚类(Clustering)

25

fendouai 发布于 2020-03-04

2.3. 聚类(Clustering) 可以使用模块sklearn.cluster对未标记的数据进行聚类。 每个聚类算法都有两种变体:一个是类(class)实现 fit 方法来学习训练数据上的聚类;另一个是函数(function),给定训练数据,返回与不同聚类对应的整数标签数组。...

阅读(593)赞 (0)

1.17. 神经网络模型(有监督)

2

fendouai 发布于 2020-03-04

1.17. 神经网络模型(有监督) 警告 此实现不适用于大规模应用程序。特别是,scikit-learn没有提供GPU支持。要获得更快、基于GPU的实现,以及提供更多灵活性以构建深度学习体系结构的框架,请参见相关项目。 1.17.1. 多层感知器 多层感知器 (MLP)是一种有监...

阅读(418)赞 (0)

1.4. 支持向量机

5

fendouai 发布于 2020-03-04

1.4. 支持向量机 支持向量机 (SVMs) 是一套监督学习方法,可用于分类,回归和离群值检测。 支持向量机的优点: 在高维空间中非常有效。 在维度数大于样本数的情况下仍然有效。 在决策函数(称为支持向量)中使用训练集的子集,因此它能提高内存利用率。 多用途:可以为决策函数指定...

阅读(424)赞 (0)

1.7. 高斯过程(Gaussian Processes)

14

fendouai 发布于 2020-03-04

1.7. 高斯过程(Gaussian Processes) 高斯过程(GP)是一种通用的监督学习方法,旨在解决回归和概率分类(probabilistic classification)问题。 高斯过程的优点: 预测值对观测值进行插值(至少对于常规内核(regular kernel...

阅读(423)赞 (0)

1.3. 内核岭回归

2

fendouai 发布于 2020-03-04

1.3. 内核岭回归 内核岭回归 (KRR) [M2012] 将 岭回归 和 分类 (l2正则化的线性最小二乘法)与核技巧结合在一起 。 因此,它学习了由各个内核和数据产生的在空间中的线性函数。 对于非线性内核,这对应于原始空间中的非线性函数。 KernelRidge学习的模型形...

阅读(507)赞 (0)

1.6. 最近邻方法(Nearest Neighbors)

13

fendouai 发布于 2020-03-04

1.6. 最近邻方法(Nearest Neighbors) sklearn.neighbors提供了基于邻居的(neighbors-based)的无监督学习和监督学习的方法。无监督的最近邻是许多其他方法的基础,尤其是流行学习(manifold learning)和谱聚类(spec...

阅读(516)赞 (0)