做机器学习案例时,每个案例都会用到sklearn中不同的函数,导包时真的很头大!!!到底用哪个?为什么有的是model_selection?有的是feature_selection?有的是feature_extraction?有的是processing?本文就是为了解决自己的这个问题而写。(挖了好大一个坑欸)
第一部分:收集整理函数名(完成)
第二部分:每个函数的作用(择日填坑✌)
第三部分:每个函数的应用场景(择日填坑✌)
参考:https://scikit-learn.org/stable/user_guide.html#user-guide
sklearn包括以下内容:
一、监督学习
广义线性模型
支持向量
最近邻
高斯过程
交叉分解
朴素贝叶斯
决策树
集成方法
多类与多标签
神经网络(有监督)
二、非监督学习
高斯混合模型
流形学习
聚类
矩阵分解
协方差估计
异常检测
密度估计
神经网络模型(无监督)
三、模型选择与评估
交叉验证
调整估计器的超参数
模型评估
四、检验
依赖图
五、数据集转换
评估器合并
特征提取
预处理数据
缺失值插补
无监督降维
预测目标y的转换
六、数据集加载工具
小型标准数据集
较大数据集
随机样本生成器
下载数据集
文章里大图放不下,拆成小图,若有需要全图的小伙伴,
评论里留联系方式哦