Skip to main content
Ctrl+K
scikit-learn homepage
  • Install
  • 用户指南
  • API
  • Examples
  • Community
    • 入门指南
    • 发布历史
    • Glossary
    • Development
    • FAQ
    • 支持
    • 相关项目
    • 路线图
    • Governance
    • 关于我们
  • GitHub
  • Install
  • 用户指南
  • API
  • Examples
  • Community
  • 入门指南
  • 发布历史
  • Glossary
  • Development
  • FAQ
  • 支持
  • 相关项目
  • 路线图
  • Governance
  • 关于我们
  • GitHub

Section Navigation

  • Release Highlights
    • scikit-learn 1.5 版本发布亮点
    • scikit-learn 1.4 版本发布亮点
    • scikit-learn 1.3 版本发布亮点
    • scikit-learn 1.2 版本发布亮点
    • scikit-learn 1.1 版本发布亮点
    • scikit-learn 1.0 版本发布亮点
    • scikit-learn 0.24 版本发布亮点
    • scikit-learn 0.23 版本发布亮点
    • scikit-learn 0.22 版本发布亮点
  • Biclustering
    • 一个谱双聚类算法的演示
    • 使用谱协同聚类算法对文档进行双聚类
    • 谱聚类算法演示
  • Calibration
    • 3类分类的概率校准
    • 分类器校准比较
    • 分类器的概率校准
    • 概率校准曲线
  • Classification
    • 分类器比较
    • 用于分类的普通、Ledoit-Wolf 和 OAS 线性判别分析
    • 线性判别分析和二次判别分析的协方差椭球体
    • 绘制分类概率
    • 识别手写数字
  • Clustering
    • DBSCAN聚类算法演示
    • HDBSCAN聚类算法演示
    • K-Means 和 MiniBatchKMeans 聚类算法的比较
    • K-Means++ 初始化示例
    • K-means 聚类
    • OPTICS聚类算法示例
    • k-means 假设的演示
    • k-means 初始化影响的经验评估
    • 二分 K-Means 和常规 K-Means 性能比较
    • 二维嵌入数字的各种凝聚聚类
    • 亲和传播聚类算法示例
    • 使用K均值的颜色量化
    • 使用不同度量的凝聚聚类
    • 使用轮廓分析选择KMeans聚类的簇数
    • 在玩具数据集上比较不同的聚类算法
    • 在线学习人脸部件的字典
    • 均值漂移聚类算法示例
    • 对比不同层次聚类方法在玩具数据集上的表现
    • 将希腊硬币的图片分割成多个区域
    • 层次聚类：结构化 vs 非结构化 Ward
    • 带有和不带有结构的凝聚聚类
    • 归纳聚类
    • 手写数字数据上的K-Means聚类演示
    • 比较 BIRCH 和 MiniBatchKMeans
    • 特征聚合
    • 特征聚合与单变量选择
    • 用于图像分割的谱聚类
    • 矢量量化示例
    • 硬币图像的结构化Ward层次聚类演示
    • 绘制层次聚类树状图
    • 聚类性能评估中的机会调整
  • Covariance estimation
    • Ledoit-Wolf 与 OAS 估计
    • 收缩协方差估计：LedoitWolf vs OAS 和最大似然
    • 稀疏逆协方差估计
    • 稳健与经验协方差估计
    • 稳健的协方差估计和马氏距离的相关性
  • Cross decomposition
    • 主成分回归与偏最小二乘回归
    • 比较交叉分解方法
  • Dataset examples
    • 数字数据集
    • 绘制随机生成的分类数据集
    • 绘制随机生成的多标签数据集
    • 鸢尾花数据集
  • Decision Trees
    • 决策树回归
    • 多输出决策树回归
    • 理解决策树结构
    • 绘制在鸢尾花数据集上训练的决策树的决策边界
    • 通过代价复杂度剪枝对决策树进行后剪枝
  • Decomposition
    • LDA和PCA在鸢尾花数据集上的二维投影比较
    • 生成示例数据
    • 人脸数据集分解
    • 使用FastICA进行盲源分离
    • 使用字典学习进行图像去噪
    • 使用概率PCA和因子分析（FA）进行模型选择
    • 使用预先计算的字典进行稀疏编码
    • 使用鸢尾花数据集的PCA示例
    • 因子分析（带旋转）以可视化模式
    • 增量PCA
    • 核主成分分析
  • Developing Estimators
    • __sklearn_is_fitted__ 作为开发者 API
  • Ensemble methods
    • AdaBoost 决策树回归
    • IsolationForest 示例
    • 二分类AdaBoost
    • 使用堆叠方法结合预测器
    • 使用完全随机树的哈希特征变换
    • 使用并行树森林评估像素重要性
    • 使用树的森林评估特征重要性
    • 使用树集成进行特征转换
    • 单一估计器与袋装法：偏差-方差分解
    • 单调约束
    • 多类AdaBoost决策树
    • 梯度提升中的提前停止
    • 梯度提升中的类别特征支持
    • 梯度提升回归
    • 梯度提升回归的预测区间
    • 梯度提升袋外估计
    • 比较随机森林和多输出元估计器
    • 比较随机森林和直方图梯度提升模型
    • 直方图梯度提升树的特性
    • 绘制VotingClassifier的决策边界
    • 绘制个体和投票回归预测
    • 绘制由VotingClassifier计算的类别概率
    • 绘制鸢尾花数据集上树集成的决策边界
    • 随机森林的袋外误差
  • Examples based on real world datasets
    • 使用核PCA进行图像去噪
    • 使用特征脸和支持向量机进行人脸识别的示例
    • 使用非负矩阵分解和潜在狄利克雷分配进行主题提取
    • 压缩感知：具有L1先验（Lasso）的断层扫描重建
    • 可视化股票市场结构
    • 文本文档的外存分类
    • 时间序列预测的滞后特征
    • 时间相关特征工程
    • 模型复杂度影响
    • 物种分布建模
    • 真实数据集上的异常值检测
    • 维基百科主特征向量
    • 预测延迟
  • Feature Selection
    • ANOVA SVM 管道
    • F检验和互信息的比较
    • 单变量特征选择
    • 基于模型和顺序特征选择
    • 带交叉验证的递归特征消除
    • 递归特征消除
  • Gaussian Mixture Models
    • GMM 初始化方法
    • GMM 协方差
    • 变分贝叶斯高斯混合模型的浓度先验类型分析
    • 高斯混合模型椭圆体
    • 高斯混合模型正弦曲线
    • 高斯混合模型的密度估计
    • 高斯混合模型选择
  • Gaussian Process for Machine Learning
    • 不同核函数下高斯过程的先验和后验示例
    • 使用高斯过程回归（GPR）对莫纳罗亚数据集的CO2水平进行预测
    • 在 XOR 数据集上展示高斯过程分类 (GPC)
    • 基于高斯过程分类（GPC）的鸢尾花数据集
    • 核岭回归和高斯过程回归的比较
    • 离散数据结构上的高斯过程
    • 高斯过程分类 (GPC) 的概率预测
    • 高斯过程分类 (GPC) 的等概率线
    • 高斯过程回归 (GPR) 估计数据噪声水平的能力
    • 高斯过程回归：基础入门示例
  • Generalized Linear Models
    • 20类新闻组数据集上的多分类稀疏逻辑回归
    • L1-正则化路径的逻辑回归
    • L1惩罚和逻辑回归中的稀疏性
    • L2 正则化对岭回归系数的影响
    • Lasso 和弹性网络
    • Lasso模型选择：AIC-BIC / 交叉验证
    • SGD：惩罚
    • SGD：最大间隔分离超平面
    • Theil-Sen 回归
    • Tweedie回归在保险理赔中的应用
    • 使用LARS的Lasso路径
    • 使用RANSAC进行稳健的线性模型估计
    • 使用多项逻辑回归和L1正则化进行MNIST分类
    • 使用贝叶斯岭回归进行曲线拟合
    • 使用预计算的Gram矩阵和加权样本拟合弹性网络
    • 分位数回归
    • 单类支持向量机与使用随机梯度下降的单类支持向量机
    • 在鸢尾花数据集上绘制多类SGD
    • 基于L1的稀疏信号模型
    • 多任务Lasso的联合特征选择
    • 多项式和样条插值
    • 带有强异常值的数据集上的Huber回归与岭回归对比
    • 普通最小二乘法和岭回归方差
    • 正交匹配追踪
    • 比较各种在线求解器
    • 比较线性贝叶斯回归器
    • 泊松回归和非正态损失
    • 稀疏性示例：仅拟合特征1和特征2
    • 稠密数据和稀疏数据上的Lasso回归
    • 稳健线性估计拟合
    • 线性回归示例
    • 绘制多项式和一对其余逻辑回归
    • 绘制岭回归系数与正则化参数的关系
    • 通过信息准则进行Lasso模型选择
    • 逻辑函数
    • 逻辑回归三分类器
    • 随机梯度下降的早停
    • 随机梯度下降：凸损失函数
    • 随机梯度下降：加权样本
    • 非负最小二乘法
  • Inspection
    • 具有多重共线性或相关特征的排列重要性
    • 机器学习在推断因果效应方面的失败
    • 线性模型系数解释中的常见陷阱
    • 置换重要性与随机森林特征重要性（MDI）对比
    • 部分依赖图和个体条件期望图
  • Kernel Approximation
    • 通过多项式核近似实现可扩展学习
  • Manifold learning
    • t-SNE：不同困惑度值对形状的影响
    • 多维尺度分析
    • 手写数字的流形学习：局部线性嵌入，Isomap…
    • 流形学习方法的比较
    • 球面上的流形学习方法
    • 瑞士卷和瑞士洞降维
  • Miscellaneous
    • RBF核的显式特征映射近似
    • ROC 曲线与可视化 API
    • 介绍 set_output API
    • 使用多输出估计器进行人脸补全
    • 使用显示对象进行可视化
    • 使用部分依赖的高级绘图
    • 使用随机投影进行嵌入的Johnson-Lindenstrauss界限
    • 保序回归
    • 元数据路由
    • 多标签分类
    • 异常检测估计器的评估
    • 显示估计器和复杂的管道
    • 显示流水线
    • 核岭回归和支持向量回归的比较
    • 比较用于异常检测的算法在玩具数据集上的表现
  • Missing Value Imputation
    • 使用不同变体的迭代插补法填补缺失值
    • 在构建估计器之前填补缺失值
  • Model Selection
    • 交叉验证评分和GridSearchCV的多指标评估演示
    • 使用网格搜索进行模型的统计比较
    • 后处理调整决策函数的截断点
    • 在 scikit-learn 中可视化交叉验证行为
    • 多分类接收者操作特性（ROC）
    • 嵌套与非嵌套交叉验证
    • 平衡模型复杂性和交叉验证得分
    • 接收者操作特性（ROC）与交叉验证
    • 文本特征提取和评估的示例管道
    • 检测错误权衡（DET）曲线
    • 欠拟合与过拟合
    • 混淆矩阵
    • 类似然比率用于衡量分类性能
    • 精确率-召回率
    • 绘制交叉验证预测
    • 绘制学习曲线和检查模型的可扩展性
    • 绘制验证曲线
    • 网格搜索与交叉验证的自定义重拟合策略
    • 网格搜索与逐步减半的比较
    • 训练误差与测试误差
    • 调整决策阈值以适应成本敏感学习
    • 候选人数和每次迭代的资源量
    • 通过排列检验分类评分的显著性
    • 随机搜索与网格搜索在超参数估计中的比较
  • Multiclass methods
    • 多类训练元估计器概述
  • Multioutput methods
    • 使用分类器链进行多标签分类
  • Nearest Neighbors
    • TSNE中的近似最近邻
    • 使用局部离群因子（LOF）进行新颖性检测
    • 使用局部离群因子（LOF）进行离群点检测
    • 使用邻域成分分析进行降维
    • 最近质心分类
    • 最近邻分类
    • 最近邻回归
    • 核密度估计
    • 比较有无邻域成分分析的最近邻分类
    • 物种分布的核密度估计
    • 简单的一维核密度估计
    • 缓存最近邻
    • 邻域成分分析示例
  • Neural Networks
    • MNIST上MLP权重的可视化
    • 多层感知器中的正则化变化
    • 对比MLPClassifier的随机学习策略
    • 用于数字分类的受限玻尔兹曼机特征
  • Pipelines and composite estimators
    • 使用Pipeline和GridSearchCV选择降维方法
    • 具有异构数据源的列转换器
    • 带有混合类型的列转换器
    • 流水线：将PCA和逻辑回归连接起来
    • 转换回归模型中的目标变量的效果
    • 连接多种特征提取方法
  • Preprocessing
    • 使用KBinsDiscretizer离散连续特征
    • 将数据映射到正态分布
    • 展示KBinsDiscretizer的不同策略
    • 比较不同缩放器对含有异常值的数据的影响
    • 特征离散化
    • 特征缩放的重要性
    • 目标编码器与其他编码器的比较
    • 目标编码器的内部交叉拟合
  • Semi Supervised Classification
    • 半监督分类器与SVM在鸢尾花数据集上的决策边界
    • 文本数据集上的半监督分类
    • 标签传播学习复杂结构
    • 标签传播数字主动学习
    • 标签传播数字：展示性能
    • 阈值变化对自训练的影响
  • Support Vector Machines
    • RBF SVM 参数
    • SVM 平局打破示例
    • SVM 边界示例
    • SVM-Anova：带有单变量特征选择的SVM
    • SVM：加权样本
    • SVM：最大间隔分离超平面
    • SVM：用于不平衡类别的分离超平面
    • 使用不同SVM核函数绘制分类边界
    • 使用线性和非线性核的支持向量回归 (SVR)
    • 使用非线性核（RBF）的单类SVM
    • 在 LinearSVC 中绘制支持向量
    • 在鸢尾花数据集上绘制不同的SVM分类器
    • 带有自定义核函数的SVM
    • 缩放SVC的正则化参数
  • Tutorial exercises
    • 数字分类练习
    • 糖尿病数据集上的交叉验证练习
  • Working with text documents
    • 使用k-means聚类文本文档
    • 使用稀疏特征对文本文档进行分类
    • 特征哈希器和字典向量化器比较
  • Examples
  • Neural Networks

Neural Networks#

Examples concerning the sklearn.neural_network module.

MNIST上MLP权重的可视化

MNIST上MLP权重的可视化

多层感知器中的正则化变化

多层感知器中的正则化变化

对比MLPClassifier的随机学习策略

对比MLPClassifier的随机学习策略

用于数字分类的受限玻尔兹曼机特征

用于数字分类的受限玻尔兹曼机特征

previous

邻域成分分析示例

next

MNIST上MLP权重的可视化

© Copyright 2007 - 2024, scikit-learn developers (BSD License).