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-Net
- 1.1.7. 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 - SGD
- 1.1.14. 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SVM
- 1.5.4. 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
- 1.8. Cross decomposition1.8. 交叉分解
- 1.9. Naive Bayes1.9. 朴素贝叶斯
- 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 CART
- 1.10.7. 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
- 1.12. Multiclass and multioutput algorithms1.12. 多类和多输出算法
- 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
- 1.15. Isotonic regression1.15. 等渗回归
- 1.16. Probability calibration1.16. 概率校准
- 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 ¶