Sklearn

用户指南

1. 监督学习1.1. 广义线性模型1.2. 线性和二次判别分析1.3. 内核岭回归1.4. 支持向量机1.5. 随机梯度下降1.6. 最近邻1.7. 高斯过程1.8. 交叉分解1.9. 朴素贝叶斯1.10. 决策树1.11. 集成方法1.12. 多类和多标签算法1.13. 特征选择1.14. 半监督学习1.15. 等式回归1.16. 概率校准1.17. 神经网络模型（有监督）2. 无监督学习2.1. 高斯混合模型2.2. 流形学习2.3. 聚类2.4. 双聚类2.5. 分解成分中的信号（矩阵分解问题）2.6. 协方差估计2.7. 经验协方差2.8. 收敛协方差2.9. 稀疏逆协方差2.10. Robust 协方差估计2.11. 新奇和异常值检测2.12. 密度估计2.13. 神经网络模型（无监督）3. 模型选择和评估3.1. 交叉验证：评估估算器的表现3.2. 调整估计器的超参数3.3. 模型评估: 量化预测的质量3.4. 模型持久化3.5. 验证曲线: 绘制分数以评估模型4. 数据集转换4.1. Pipeline（管道）和 FeatureUnion（特征联合）: 合并的评估器4.2. 特征提取4.3. 预处理数据4.4. 无监督降维4.5. 随机投影4.6. 内核近似4.7. 成对的矩阵, 类别和核函数4.8. 预测目标 (y) 的转换5. 数据集加载工具5.1. 通用数据集 API5.2. 玩具数据集5.3. 样本图片5.4. 样本生成器5.5. Datasets in svmlight / libsvm format5.6. 从外部数据集加载5.7. Olivetti 脸部数据集5.8. 20个新闻组文本数据集5.9. 从 mldata.org 上下载数据集5.10. 带标签的人脸识别数据集5.11. 森林覆盖类型5.12. RCV1 数据集5.13. 波士顿房价数据集5.14. 威斯康辛州乳腺癌（诊断）数据库5.15. 糖尿病数据集5.16. 光学识别手写数字数据集5.17. 鸢尾花数据集5.18. Linnerrud 数据集6. 大规模计算的策略: 更大量的数据6.1. 使用外核学习实例进行拓展7. 计算性能7.1. 预测延迟7.2. 预测吞吐量7.3. 技巧和窍门

sklearn中文教程连接：http://sklearn.apachecn.org/cn/0.19.0/index.html

sklearn英文教程连接：http://scikit-learn.org/stable/#