过拟合是预测模型性能不佳的常见解释。对学习动态的分析有助于识别模型是否过拟合了训练数据集，并可能建议使用另一种可能产生更好预测性能的配置。对学习动态进行分析对于算法来说很简单 […]
档案 | Python 机器学习
如何在Python中开发LARS回归模型
回归是一项建模任务，涉及根据输入预测数值。线性回归是回归的标准算法，它假设输入和目标变量之间存在线性关系。线性回归的扩展包括在训练期间向损失函数添加惩罚，鼓励模型更简单，系数更小 […]
使用 Python 的最近收缩质心
最近收缩质心是一种线性分类机器学习算法。它涉及根据新样本所属的类质心与训练数据集中最近的类质心来预测新样本的类别标签。最近收缩质心算法是一种扩展，它通过将类质心向整个训练数据集的质心移动并移除 […]
如何在Python中开发LASSO回归模型
回归是一项建模任务，涉及根据输入预测数值。线性回归是回归的标准算法，它假设输入和目标变量之间存在线性关系。线性回归的扩展包括在训练期间向损失函数调用添加惩罚，鼓励模型更简单，系数更小 […]
如何在Python中开发岭回归模型
回归是一项建模任务，涉及根据输入预测数值。线性回归是回归的标准算法，它假设输入和目标变量之间存在线性关系。线性回归的扩展包括在训练期间向损失函数调用添加惩罚，鼓励模型更简单，系数更小 […]
如何在Python中开发弹性网络回归模型
回归是一项建模任务，涉及根据输入预测数值。线性回归是回归的标准算法，它假设输入和目标变量之间存在线性关系。线性回归的扩展包括在训练期间向损失函数添加惩罚，鼓励模型更简单，系数更小 […]
Python 中用于机器学习的稳健回归
回归是一项建模任务，涉及根据输入预测数值。回归任务使用的算法也称为“回归”算法，其中最广为人知且可能最成功的是线性回归。线性回归拟合一条线或超平面，最能描述输入和 […] 之间的线性关系。
使用 Python 进行高斯过程分类
高斯过程分类器是一种分类机器学习算法。高斯过程是高斯概率分布的推广，可用作分类和回归的复杂非参数机器学习算法的基础。它们是一种核模型，如 SVM，与 SVM 不同，它们能够预测高度 […]
使用 Python 的半径邻居分类器算法
半径邻近分类器是一种分类机器学习算法。它是 k-最近邻算法的扩展，它使用新样本半径内的所有样本进行预测，而不是 k 个最近邻。因此，基于半径的方法选择邻近点更适合稀疏数据，可以防止距离较远的样本 […]
使用 Python 进行线性判别分析
线性判别分析是一种线性分类机器学习算法。该算法涉及根据每个输入变量的观测特定分布为每个类开发概率模型。然后通过计算新样本属于每个类的条件概率并选择具有最高概率的类来对新样本进行分类。 […]