sklearn学习总结（超全面）

前言

sklearn想必不用我多介绍了，一句话，她是机器学习领域中最知名的python模块之一，若想要在机器学习领域有一番建树，必绕不开sklearn

sklearn的官网链接http://scikit-learn.org/stable/index.html#

首先，放上一张官网上的sklearn的结构图：

目录

1. 分类、回归

2. 降维

3. 模型评估与选择

4. 数据预处理

大类	小类	适用问题	实现	说明
分类、回归
1.1 广义线性模型	1.1.1 普通最小二乘法	回归	sklearn.linear_model.LinearRegression
注：本节中所有的回归模型皆为线性回归模型	1.1.2 Ridge/岭回归	回归	sklearn.linear_model.Ridge	解决两类回归问题： 一是样本少于变量个数 二是变量间存在共线性
	1.1.3 Lasso	回归	sklearn.linear_model.Lasso	适合特征较少的数据
	1.1.4 Multi-task Lasso	回归	sklearn.linear_model.MultiTaskLasso	y值不是一元的回归问题
	1.1.5 Elastic Net	回归	sklearn.linear_model.ElasticNet	结合了Ridge和Lasso
	1.1.6 Multi-task Elastic Net	回归	sklearn.linear_model.MultiTaskElasticNet	y值不是一元的回归问题
	1.1.7 Least Angle Regression(LARS)	回归	sklearn.linear_model.Lars	适合高维数据
	1.1.8 LARS Lasso	回归	sklearn.linear_model.LassoLars	(1)适合高维数据使用 (2)LARS算法实现的lasso模型
	1.1.9 Orthogonal Matching Pursuit (OMP)	回归	sklearn.linear_model.OrthogonalMatchingPursuit	基于贪心算法实现
	1.1.10 贝叶斯回归	回归	sklearn.linear_model.BayesianRidge sklearn.linear_model.ARDRegression	优点： (1)适用于手边数据(2)可用于在估计过程中包含正规化参数 缺点：耗时
	1.1.11 Logistic regression	分类	sklearn.linear_model.LogisticRegression
	1.1.12 SGD(随机梯度下降法)	分类 /回归	sklearn.linear_model.SGDClassifier sklearn.linear_model.SGDRegressor	适用于大规模数据
	1.1.13 Perceptron	分类	sklearn.linear_model.Perceptron	适用于大规模数据
	1.1.14 Passive Aggressive Algorithms	分类 /回归	sklearn.linear_model. PassiveAggressiveClassifier