1. 监督学习

  • 1.1. 广义线性模型
    • 1.1.1. 普通最小二乘法
    • 1.1.2. 岭回归
    • 1.1.3. Lasso
    • 1.1.4. 多任务 Lasso
    • 1.1.5. 弹性网络
    • 1.1.6. 多任务弹性网络
    • 1.1.7. 最小角回归
    • 1.1.8. LARS Lasso
    • 1.1.9. 正交匹配追踪法（OMP）
    • 1.1.10. 贝叶斯回归
    • 1.1.11. logistic 回归
    • 1.1.12. 随机梯度下降， SGD
    • 1.1.13. Perceptron（感知器）
    • 1.1.14. Passive Aggressive Algorithms（被动攻击算法）
    • 1.1.15. 稳健回归（Robustness regression）: 处理离群点（outliers）和模型错误
    • 1.1.16. 多项式回归：用基函数展开线性模型
  • 1.2. 线性和二次判别分析
    • 1.2.1. 使用线性判别分析来降维
    • 1.2.2. LDA 和 QDA 分类器的数学公式
    • 1.2.3. LDA 的降维数学公式
    • 1.2.4. Shrinkage（收缩）
    • 1.2.5. 预估算法
  • 1.3. 内核岭回归
  • 1.4. 支持向量机
    • 1.4.1. 分类
    • 1.4.2. 回归
    • 1.4.3. 密度估计, 异常（novelty）检测
    • 1.4.4. 复杂度
    • 1.4.5. 使用诀窍
    • 1.4.6. 核函数
    • 1.4.7. 数学公式
    • 1.4.8. 实现细节
  • 1.5. 随机梯度下降
    • 1.5.1. 分类
    • 1.5.2. 回归
    • 1.5.3. 稀疏数据的随机梯度下降
    • 1.5.4. 复杂度
    • 1.5.5. 停止判据
    • 1.5.6. 实用小贴士
    • 1.5.7. 数学描述
    • 1.5.8. 实现细节
  • 1.6. 最近邻
    • 1.6.1. 无监督最近邻
    • 1.6.2. 最近邻分类
    • 1.6.3. 最近邻回归
    • 1.6.4. 最近邻算法
    • 1.6.5. 最近质心分类
    • 1.6.6. 邻域成分分析
  • 1.7. 高斯过程
    • 1.7.1. 高斯过程回归（GPR）
    • 1.7.2. GPR 示例
    • 1.7.3. 高斯过程分类（GPC）
    • 1.7.4. GPC 示例
    • 1.7.5. 高斯过程内核
  • 1.8. 交叉分解
  • 1.9. 朴素贝叶斯
    • 1.9.1. 高斯朴素贝叶斯
    • 1.9.2. 多项分布朴素贝叶斯
    • 1.9.3. 补充朴素贝叶斯
    • 1.9.4. 伯努利朴素贝叶斯
    • 1.9.5. 基于外存的朴素贝叶斯模型拟合
  • 1.10. 决策树
    • 1.10.1. 分类
    • 1.10.2. 回归
    • 1.10.3. 多值输出问题
    • 1.10.4. 复杂度分析
    • 1.10.5. 实际使用技巧
    • 1.10.6. 决策树算法: ID3, C4.5, C5.0 和 CART
    • 1.10.7. 数学表达
  • 1.11. 集成方法
    • 1.11.1. Bagging meta-estimator（Bagging 元估计器）
    • 1.11.2. 由随机树组成的森林
    • 1.11.3. AdaBoost
    • 1.11.4. Gradient Tree Boosting（梯度树提升）
    • 1.11.5. Voting Classifier（投票分类器）
    • 1.11.6. 投票回归器(Voting Regressor)
  • 1.12. 多类和多标签算法
    • 1.12.1. 多标签分类格式
    • 1.12.2. 1对其余
    • 1.12.3. 1对1
    • 1.12.4. 误差校正输出代码
    • 1.12.5. 多输出回归
    • 1.12.6. 多输出分类
    • 1.12.7. 链式分类器
  • 1.13. 特征选择
    • 1.13.1. 移除低方差特征
    • 1.13.2. 单变量特征选择
    • 1.13.3. 递归式特征消除
    • 1.13.4. 使用 SelectFromModel 选取特征
    • 1.13.5. 特征选取作为 pipeline（管道）的一部分
  • 1.14. 半监督学习
    • 1.14.1. 标签传播
  • 1.15. 等式回归
  • 1.16. 概率校准
  • 1.17. 神经网络模型（有监督）
    • 1.17.1. 多层感知器
    • 1.17.2. 分类
    • 1.17.3. 回归
    • 1.17.4. 正则化
    • 1.17.5. 算法
    • 1.17.6. 复杂度
    • 1.17.7. 数学公式
    • 1.17.8. 实用技巧
    • 1.17.9. 使用 warm_start 的更多控制

我们一直在努力

apachecn/sklearn-doc-zh