sklearn中文文档
  • 主页
  • 安装sklearn
  • 快速开始

sklearn教程

  • 教程目录
  • scikit-learn 中的设置以及预估对象
  • 监督学习-从高维观察预测输出变量
  • 模型选择-选择估计量及其canshu
  • 无监督学习-寻求数据表示
  • 把它们放在一起
  • 寻求帮助
  • 处理文本数据
  • 选择正确的评估器
  • 外部资源,视频和谈话

1.监督学习

  • 1.0-第一章详细目录
  • 1.1-广义线性模型
  • 1.2-线性和二次判别分析
  • 1.3-内核岭回归
  • 1.4-支持向量机
  • 1.5-随机梯度下降
  • 1.6-最近邻
  • 1.7-高斯过程
  • 1.8-交叉分解
  • 1.9-朴素贝叶斯
  • 1.10-决策树
  • 1.11-集成方法
  • 1.12-多类和多标签算法
  • 1.13-特征选择
  • 1.14-半监督学习
  • 1.15-等式回归
  • 1.16-概率校准
  • 1.17-神经网络模型(有监督)

2.无监督学习

  • 2.0-第二章详细目录
  • 2.1-高斯混合模型
  • 2.2-流形学习
  • 2.3-聚类
  • 2.4-双聚类
  • 2.5-矩阵分解
  • 2.6-协方差估计
  • 2.7-新奇点和离群点检测
  • 2.8-密度估计
  • 2.9-神经网络(无监督)

3.模型选择和评估

  • 3.0-第三章详细目录
  • 3.1-交叉验证
  • 3.2-调整估计器的超参数
  • 3.3-模型评估
  • 3.4-模型持久化
  • 3.5-学习与验证曲线

4.检验

  • 4.0-第四章目录
  • 4.1-部分依赖图

5.数据集转换

  • 5.0-第五章详细目录
  • 5.1-Pipeline(管道)和FeatureUnion(特征联合)
  • 5.2-特征提取
  • 5.3-预处理数据
  • 5.4-缺失值插补
  • 5.5-无监督降维
  • 5.6-随机投影
  • 5.7-内核近似
  • 5.8-成对的矩阵、类别和核函数
  • 5.9 标签转换
  • 6.数据集以及数据加载工具
  • 7.并行以及分布式计算
  • 常见问题
  • 时光轴
sklearn中文文档
  • Docs »
  • 2.无监督学习 »
  • 2.0-第二章详细目录

2. 无监督学习

  • 2.1. 高斯混合模型
    • 2.1.1. 高斯混合
    • 2.1.2. 变分贝叶斯高斯混合
  • 2.2. 流形学习
    • 2.2.1. 介绍
    • 2.2.2. Isomap
    • 2.2.3. 局部线性嵌入
    • 2.2.4. 改进型局部线性嵌入(MLLE)
    • 2.2.5. 黑塞特征映射(HE)
    • 2.2.6. 谱嵌入
    • 2.2.7. 局部切空间对齐(LTSA)
    • 2.2.8. 多维尺度分析(MDS)
    • 2.2.9. t 分布随机邻域嵌入(t-SNE)
    • 2.2.10. 实用技巧
  • 2.3. 聚类
    • 2.3.1. 聚类方法概述
    • 2.3.2. K-means
    • 2.3.3. Affinity Propagation
    • 2.3.4. Mean Shift
    • 2.3.5. Spectral clustering
    • 2.3.6. 层次聚类
    • 2.3.7. DBSCAN
    • 2.3.8. OPTICS
    • 2.3.9. Birch
    • 2.3.10. 聚类性能度量
  • 2.4. 双聚类
    • 2.4.1. Spectral Co-Clustering
    • 2.4.2. Spectral Biclustering
    • 2.4.3. Biclustering 评价
  • 2.5. 分解成分中的信号(矩阵分解问题)
    • 2.5.1. 主成分分析(PCA)
    • 2.5.2. 截断奇异值分解和隐语义分析
    • 2.5.3. 词典学习
    • 2.5.4. 因子分析
    • 2.5.5. 独立成分分析(ICA)
    • 2.5.6. 非负矩阵分解(NMF 或 NNMF)
    • 2.5.7. 隐 Dirichlet 分配(LDA)
  • 2.6. 协方差估计
    • 2.6.1. 经验协方差
    • 2.6.2. 收缩协方差
    • 2.6.3. 稀疏逆协方差
    • 2.6.4. 鲁棒协方差估计
  • 2.7. 新奇点和离群点检测
    • 2.7.1. 离群点检测方法一览
    • 2.7.2. Novelty Detection(新奇点检测)
    • 2.7.3. Outlier Detection(离群点检测)
    • 2.7.4. 使用LOF进行新奇点检测
  • 2.8. 密度估计
    • 2.8.1. 密度估计: 直方图
    • 2.8.2. 核密度估计
  • 2.9. 神经网络模型(无监督)
    • 2.9.1. 限制波尔兹曼机
Next Previous

Copyright © 2020. All rights reserved.

Built with MkDocs using a theme provided by Read the Docs.
« Previous Next »