正在加载中...
查看算法原理、公式、操作流程和结果说明。
OPTICS（Ordering Points To Identify the Clustering Structure）是一种基于密度的聚类方法。它与 DBSCAN 同属于密度聚类路线，但并不直接只输出某一个固定邻域半径下的簇划分，而是先构造样本的有序访问序列、核心距离和可达距…
自组织映射（Self-Organizing Map, SOM）是一类无监督神经网络方法，其目标是在尽量保持样本拓扑关系的同时，把高维特征映射到一个低维离散网格上。与 PCA、MDS、t-SNE 这类直接输出连续低维坐标的方法不同，SOM 的输出更像是一个二维神经元网格，每个样本…
随机邻近嵌入（Stochastic Proximity Embedding, SPE）是一类距离保持型降维方法。它的基本思想不是一次性求解完整矩阵分解，而是在迭代过程中反复随机抽取样本点对，根据低维距离与高维目标距离之间的偏差，对嵌入坐标做局部修正，逐步逼近原空间的距离结构。
谱聚类（Spectral Clustering）是一类基于图划分思想的聚类方法。它先根据样本之间的相似性构造图，再对图的拉普拉斯矩阵做特征分解，把样本映射到谱嵌入空间中，最后在嵌入空间内完成标签分配。与 K-Means 主要依赖欧氏空间中的球状簇假设不同，谱聚类更适合发现非凸形…
奇异值分解（Singular Value Decomposition, SVD）是一类最基础也最重要的矩阵分解方法。对于任意实矩阵，它都可以分解为左奇异向量、奇异值和右奇异向量的乘积形式，因此常用于降维、压缩、噪声过滤和潜在结构提取。
t-SNE（t-distributed Stochastic Neighbor Embedding）是一类经典的非线性降维与可视化方法。它的核心思想是：在高维空间中用概率分布刻画样本之间的邻近关系，再在低维空间中构造另一个概率分布，通过最小化两者之间的 KL 散度，使相近样本在…
截断 SVD（Truncated SVD, TSVD）是在只保留前若干个主导奇异成分的前提下，对原始矩阵进行近似分解的方法。与完整 SVD 相比，它更关注前 k 个最重要的奇异方向，因此在降维、文本特征压缩和大规模矩阵分析中非常常见。
UMAP（Uniform Manifold Approximation and Projection）是一类基于流形学习与模糊拓扑图思想的非线性降维方法。它通常先在高维空间中构造局部邻域图，再把这种局部邻域结构压缩到低维空间中，从而在保持局部邻近关系的同时获得较好的全局结构表达。
BayesianOptimization-贝叶斯优化 的真实核心主要位于：
BayesOptuna-Optuna、Bayes 统一接口 的真实核心位于：
GridRandomSearch-网格、随机搜索 的真实核心主要位于：
HStat-Friedman H 交互强度 的真实核心主要位于：
LIME-局部线性解释 的真实核心主要位于：
Optuna-超参搜索 的真实核心位于 core/optunacalculator.py。虽然目录名很宽泛，但这份实现实际上是一个随机森林超参数搜索器，而不是任意模型的通用 Optuna 框架。
PDPICE-偏依赖与个体条件期望 的真实核心主要位于：
PermutationImportance-置换重要度 的真实核心主要位于：
SHAP-可解释性 的真实核心主要位于：
Autoformer-Autoformer 模块在当前项目中的实际实现，是一个面向单变量时间序列预测的简化建模流程。系统先从历史目标序列中构造固定长度的滑动窗口监督样本，再利用随机森林回归器学习“历史窗口到下一时刻数值”的映射关系，最后采用递归方式输出未来若干步预测结果。该实现…
BiLSTM-双向 LSTM 模块是一个基于 TensorFlow/Keras 的时序建模组件，支持回归与分类两类任务。系统先对输入特征进行编码、缺失值删除与可选缩放，再通过滑动窗口构造时序样本，随后训练多层双向 LSTM 网络，并在测试集上输出预测结果与评价指标。
CNNLSTM-CNN–LSTM 混合 模块是一个面向时序数据的混合深度学习组件，支持回归与分类两类任务。系统先对输入特征执行编码、缺失值删除与可选缩放，再通过滑动窗口构造序列样本；随后，利用一维卷积网络提取局部时序模式，再将卷积后的序列特征送入 LSTM 以建模较长时间依赖，…
适合连续阅读，作为本站在线教程的补充入口。