【sklearn库】【监督学习】【分类】

1. Supervised learning 1. 监督学习

1.1. Linear Models1.1. 线性模型

1.1.1. Ordinary Least Squares1.1.1. 普通最小二乘法1.1.2. Ridge regression and classification1.1.2. 岭回归和分类1.1.3. Lasso 1.1.4. Multi-task Lasso 1.1.4. 多任务套索1.1.5. Elastic-Net 1.1.5. 弹性网络1.1.6. Multi-task Elastic-Net1.1.6. 多任务 Elastic-Net1.1.7. Least Angle Regression1.1.7. 最小角度回归1.1.8. LARS Lasso 1.1.8. LARS套索1.1.9. Orthogonal Matching Pursuit (OMP)1.1.9. 正交匹配追踪（OMP）1.1.10. Bayesian Regression1.1.10. 贝叶斯回归1.1.11. Logistic regression1.1.11. 逻辑回归1.1.12. Generalized Linear Models1.1.12. 广义线性模型1.1.13. Stochastic Gradient Descent - SGD1.1.13. 随机梯度下降 - SGD1.1.14. Perceptron 1.1.14. 感知器1.1.15. Passive Aggressive Algorithms1.1.15. 被动攻击算法1.1.16. Robustness regression: outliers and modeling errors1.1.16. 鲁棒性回归：异常值和建模误差1.1.17. Quantile Regression1.1.17. 分位数回归1.1.18. Polynomial regression: extending linear models with basis functions1.1.18. 多项式回归：用基函数扩展线性模型1.2. Linear and Quadratic Discriminant Analysis1.2. 线性和二次判别分析

1.2.1. Dimensionality reduction using Linear Discriminant Analysis1.2.1. 使用线性判别分析进行降维1.2.2. Mathematical formulation of the LDA and QDA classifiers1.2.2. LDA 和 QDA 分类器的数学公式1.2.3. Mathematical formulation of LDA dimensionality reduction1.2.3. LDA降维的数学公式1.2.4. Shrinkage and Covariance Estimator1.2.4. 收缩和协方差估计器1.2.5. Estimation algorithms1.2.5. 估计算法1.3. Kernel ridge regression1.3. 核岭回归1.4. Support Vector Machines1.4. 支持向量机

1.4.1. Classification 1.4.1. 分类1.4.2. Regression 1.4.2. 回归1.4.3. Density estimation, novelty detection1.4.3. 密度估计，新颖性检测1.4.4. Complexity 1.4.4. 复杂性1.4.5. Tips on Practical Use1.4.5. 实际使用技巧1.4.6. Kernel functions 1.4.6. 内核函数1.4.7. Mathematical formulation1.4.7. 数学公式1.4.8. Implementation details1.4.8. 实现细节1.5. Stochastic Gradient Descent1.5. 随机梯度下降

1.5.1. Classification 1.5.1. 分类1.5.2. Regression 1.5.2. 回归1.5.3. Online One-Class SVM1.5.3. 在线单类SVM1.5.4. Stochastic Gradient Descent for sparse data1.5.4. 稀疏数据的随机梯度下降1.5.5. Complexity 1.5.5. 复杂性1.5.6. Stopping criterion1.5.6. 停止标准1.5.7. Tips on Practical Use1.5.7. 实际使用技巧1.5.8. Mathematical formulation1.5.8. 数学公式1.5.9. Implementation details1.5.9. 实现细节1.6. Nearest Neighbors1.6. 最近邻

1.6.1. Unsupervised Nearest Neighbors1.6.1. 无监督的最近邻1.6.2. Nearest Neighbors Classification1.6.2. 最近邻分类1.6.3. Nearest Neighbors Regression1.6.3. 最近邻回归1.6.4. Nearest Neighbor Algorithms1.6.4. 最近邻算法1.6.5. Nearest Centroid Classifier1.6.5. 最近的质心分类器1.6.6. Nearest Neighbors Transformer1.6.6. 最近邻变压器1.6.7. Neighborhood Components Analysis1.6.7. 邻域分量分析1.7. Gaussian Processes1.7. 高斯过程

1.7.1. Gaussian Process Regression (GPR)1.7.1. 高斯过程回归（GPR）1.7.2. Gaussian Process Classification (GPC)1.7.2. 高斯过程分类（GPC）1.7.3. GPC examples 1.7.3. GPC示例1.7.4. Kernels for Gaussian Processes1.7.4. 高斯过程的内核1.8. Cross decomposition1.8. 交叉分解

1.8.1. PLSCanonical 1.8.1. PLS无名1.8.2. PLSSVD1.8.3. PLSRegression 1.8.3. PLS退出1.8.4. Canonical Correlation Analysis1.8.4. 典型相关性分析1.9. Naive Bayes1.9. 朴素贝叶斯

1.9.1. Gaussian Naive Bayes1.9.1. 高斯朴素贝叶斯1.9.2. Multinomial Naive Bayes1.9.2. 多项式朴素贝叶斯1.9.3. Complement Naive Bayes1.9.3. 补码朴素贝叶斯1.9.4. Bernoulli Naive Bayes1.9.4. 伯努利朴素贝叶斯1.9.5. Categorical Naive Bayes1.9.5. 分类朴素贝叶斯1.9.6. Out-of-core naive Bayes model fitting1.9.6. 核外朴素贝叶斯模型拟合1.10. Decision Trees1.10. 决策树

1.10.1. Classification 1.10.1. 分类1.10.2. Regression 1.10.2. 回归1.10.3. Multi-output problems1.10.3. 多输出问题1.10.4. Complexity 1.10.4. 复杂性1.10.5. Tips on practical use1.10.5. 实际使用技巧1.10.6. Tree algorithms: ID3, C4.5, C5.0 and CART1.10.6. 树算法：ID3、C4.5、C5.0 和 CART1.10.7. Mathematical formulation1.10.7. 数学公式1.10.8. Missing Values Support1.10.8. 缺失值支持1.10.9. Minimal Cost-Complexity Pruning1.10.9. 最小成本-复杂性修剪1.11. Ensembles: Gradient boosting, random forests, bagging, voting, stacking1.11. 集成：梯度提升、随机森林、装袋、投票、堆叠

1.11.1. Gradient-boosted trees1.11.1. 梯度提升树1.11.2. Random forests and other randomized tree ensembles1.11.2. 随机森林和其他随机树集合1.11.3. Bagging meta-estimator1.11.3. 装袋元估计器1.11.4. Voting Classifier1.11.4. 投票分类器1.11.5. Voting Regressor1.11.5. 投票回归器1.11.6. Stacked generalization1.11.6. 堆叠泛化1.11.7. AdaBoost1.12. Multiclass and multioutput algorithms1.12. 多类和多输出算法

1.12.1. Multiclass classification1.12.1. 多类分类1.12.2. Multilabel classification1.12.2. 多标签分类1.12.3. Multiclass-multioutput classification1.12.3. 多类-多输出分类1.12.4. Multioutput regression1.12.4. 多输出回归1.13. Feature selection1.13. 功能选择

1.13.1. Removing features with low variance1.13.1. 删除低方差的特征1.13.2. Univariate feature selection1.13.2. 单变量特征选择1.13.3. Recursive feature elimination1.13.3. 递归特征消除1.13.4. Feature selection using SelectFromModel1.13.4. 使用 SelectFromModel 进行功能选择1.13.5. Sequential Feature Selection1.13.5. 顺序特征选择1.13.6. Feature selection as part of a pipeline1.13.6. 作为流水线一部分的特征选择1.14. Semi-supervised learning1.14. 半监督学习

1.14.1. Self Training 1.14.1. 自我训练1.14.2. Label Propagation1.14.2. 标签传播1.15. Isotonic regression1.15. 等渗回归1.16. Probability calibration1.16. 概率校准

1.16.1. Calibration curves1.16.1. 校准曲线1.16.2. Calibrating a classifier1.16.2. 校准分类器1.16.3. Usage 1.16.3. 用法1.17. Neural network models (supervised)1.17. 神经网络模型（监督）

1.17.1. Multi-layer Perceptron1.17.1. 多层感知器1.17.2. Classification 1.17.2. 分类1.17.3. Regression 1.17.3. 回归1.17.4. Regularization 1.17.4. 正则化1.17.5. Algorithms 1.17.5. 算法1.17.6. Complexity 1.17.6. 复杂性1.17.7. Mathematical formulation1.17.7. 数学公式1.17.8. Tips on Practical Use1.17.8. 实际使用技巧1.17.9. More control with warm_start1.17.9. 使用 warm_start 进行更多控制

3. Model selection and evaluation 3. 模型选择和评估 ¶

3.1. Cross-validation: evaluating estimator performance3.1. 交叉验证：评估估算器性能

3.1.1. Computing cross-validated metrics3.1.1. 计算交叉验证的指标3.1.2. Cross validation iterators3.1.2. 交叉验证迭代器3.1.3. A note on shuffling3.1.3. 关于洗牌的说明3.1.4. Cross validation and model selection3.1.4. 交叉验证和模型选择3.1.5. Permutation test score3.1.5. 排列测试分数3.2. Tuning the hyper-parameters of an estimator3.2. 调整估计器的超参数

3.2.1. Exhaustive Grid Search3.2.1. 穷举网格搜索3.2.2. Randomized Parameter Optimization3.2.2. 随机参数优化3.2.3. Searching for optimal parameters with successive halving3.2.3. 通过连续减半寻找最佳参数3.2.4. Tips for parameter search3.2.4. 参数搜索提示3.2.5. Alternatives to brute force parameter search3.2.5. 暴力参数搜索的替代方法3.3. Metrics and scoring: quantifying the quality of predictions3.3. 指标和评分：量化预测的质量

3.3.1. The scoring parameter: defining model evaluation rules3.3.1. scoring 参数：定义模型评估规则3.3.2. Classification metrics3.3.2. 分类指标3.3.3. Multilabel ranking metrics3.3.3. 多标签排名指标3.3.4. Regression metrics3.3.4. 回归指标3.3.5. Clustering metrics3.3.5. 聚类指标3.3.6. Dummy estimators 3.3.6. 虚拟估计器3.4. Validation curves: plotting scores to evaluate models3.4. 验证曲线：绘制分数以评估模型

3.4.1. Validation curve 3.4.1. 验证曲线3.4.2. Learning curve 3.4.2. 学习曲线

相关文章

 您阅读本篇文章共花了：