Examples¶

scikit-learn 0.23中的发布要点 ¶

scikit-learn 0.22中的发布要点 ¶

谱协聚类算法的一个示例 ¶

光谱集群算法的一个示例 ¶

用谱协聚类算法对文档进行集群化 ¶

分类器校准的比较 ¶

概率校准曲线 ¶

分类器的概率校准 ¶

三分类的概率校准 ¶

正态和收缩线性判别分析在分类中的应用 ¶

手写数字识别 ¶

绘制分类的概率 ¶

分类器的比较 ¶

协方差椭球的线性和二次判别分析 ¶

绘制层次聚类的树状图 ¶

特征集聚 ¶

均值移位聚类算法的一个例子 ¶

k-均值假设的证明 ¶

人脸的部分词典的在线学习 ¶

矢量量化实例 ¶

亲密传播聚类算法的例子 ¶

带结构和无结构的凝聚聚类 ¶

在区域内分割希腊硬币的图片 ¶

二维数字嵌入上的各种凝聚聚类 ¶

K-means聚类 ¶

光谱聚类在图像分割中的应用 ¶

基于硬币图像的结构化区域分层聚类演示 ¶

DBSCAN聚类算法的演示 ¶

基于K均值的颜色量化 ¶

分层聚类：结构化区域与非结构化区域 ¶

不同度量的聚集聚类 ¶

归纳聚类 ¶

光学聚类算法的演示 ¶

BIRCH和MiniBatchKMeans的比较 ¶

k均值初始化影响的实证评价 ¶

聚类表现评估中的机会调整 ¶

K-Means和MiniBatchKMeans聚类算法的比较 ¶

特征聚集与单变量选择 ¶

手写数字数据上K均值聚类的一个演示 ¶

toy数据集上不同层次链接方法的比较 ¶

基于KMeans聚类分析使用silhouette选择聚类的数目 ¶

toy数据集上不同聚类算法的比较 ¶

Ledoit-Wolf vs OAS估计器 ¶

稀疏逆协方差估计 ¶

收缩协方差估计：LedoitWolf VS OAS和极大似然 ¶

鲁棒协方差估计与Mahalanobis距离相关性 ¶

稳健与经验协方差估计 ¶

交叉分解法比较 ¶

数字数据集 ¶

Iris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 ¶

决策树回归 ¶

多输出决策树回归 ¶

在iris数据集上绘制决策树的决策面 ¶

具有成本复杂度的后剪枝决策树 ¶

理解决策树的结构 ¶

Beta-divergence损失函数 ¶

在iris数据集上的PCA例子 ¶

增量PCA ¶

Iris数据集LDA和PCA二维投影的比较 ¶

使用FastICA的盲源分离 ¶

主成分分析(PCA) ¶

二维点云上的FastICA ¶

核PCA ¶

基于概率主成分分析和因子分析(FA)的模型选择 ¶

使用预计算字典的稀疏编码 ¶

基于字典学习的图像去噪 ¶

人脸数据集分解 ¶

基于平行树的森林的像素重要性 ¶

AdaBoost决策树回归 ¶

绘制单独与投票回归预测 ¶

树森林的特征重要性 ¶

单调约束 ¶

IsolationForest示例 ¶

绘制投票分类器的决策边界 ¶

随机森林与多输出元估计器的比较 ¶

梯度提升回归的预测区间 ¶

梯度提升正则 ¶

绘制通过投票分类器计算的类概率 ¶

梯度提升回归 ¶

随机森林的OOB ¶

两类的Adaboost ¶

基于完全随机树的哈希特征变换 ¶

多类Adaboost决策树 ¶

离散与真实AdaBoost ¶

梯度提升的提前停止 ¶

树集成的特征转换 ¶

梯度提升袋外估计 ¶

单个估计器 vs bagging：偏差-方差分解 ¶

在Iris数据集上绘制树集成的决策曲面 ¶

使用stacking的组合预测器 ¶

真实数据集上的孤立点检测 ¶

压缩感知：基于L1(Lasso)先验层析重建 ¶

非负矩阵分解与潜在Dirichlet分配的主题提取 ¶

基于特征面和支持向量机的人脸识别实例 ¶

模型复杂度影响 ¶

股市结构可视化 ¶

维基百科主特征向量 ¶

物种分布模型 ¶

Libsvm GUI ¶

预测延迟 ¶

文本文档的核外分类 ¶

递归特征消除 ¶

F检验与互换信息法的比较 ¶

工作流 Anova SVM ¶

带交叉验证的递归特征消除 ¶

基于SelectFromModel和LassoCV的特征选择 ¶

分类得分的排列测试的意义 ¶

单变量特征选择 ¶

高斯混合模型的密度估计 ¶

高斯混合模型椭球 ¶

高斯混合模型选择 ¶

GMM协方差 ¶

高斯混合模型正弦曲线 ¶

变体贝叶斯高斯混合的聚集优先类型分析 ¶

XOR数据集上高斯过程分类(GPC)的说明 ¶

在iris数据集上的高斯过程分类 ¶

核岭回归与高斯过程回归的比较 ¶

不同核的高斯过程的先验和后验示例 ¶

高斯过程分类的等概率线(GPC) ¶

高斯过程分类的概率预测 ¶

带噪声水平估计的高斯过程回归(GPR) ¶

高斯过程回归：基本介绍性示例 ¶

Mauna Loa CO2数据的高斯过程回归(GPR) ¶

离散数据结构上的高斯过程 ¶

使用LARS的Lasso路径 ¶

绘制正则化函数的岭系数图 ¶

SGD：最大间隔分离超平面 ¶

SGD：凸损失函数 ¶

普通最小二乘与岭回归差异 ¶

绘制L2正则化函数的岭系数图 ¶

SGD: 惩罚 ¶

多项式插值 ¶

Logistic函数 ¶

L1-Logistic回归的正则化路径 ¶

Logistic回归三分类器 ¶

SGD：加权样本 ¶

线性回归实例 ¶

基于RANSAC的鲁棒线性模型估计 ¶

稀疏示例：仅适合特征1和2 ¶

强异常数据集上的Huber回归与岭回归 ¶

在密集和稀疏数据上的Lasso ¶

比较各种在线求解器 ¶

基于多任务Lasso的联合特征选择 ¶

用多项式Logistic+L1进行MNIST分类 ¶

在iris数据集上绘制多类SGD ¶

正交匹配追踪 ¶

稀疏信号上的LASSO与弹性网 ¶

基于贝叶斯岭回归的曲线拟合 ¶

Theil-Sen回归 ¶

绘制多类和One-vs-Rest Logistic回归图 ¶

鲁棒线性估计拟合 ¶

Logistic回归中的L1惩罚与稀疏性 ¶

Lasso和弹性网 ¶

自动相关性确定回归(ARD) ¶

贝叶斯岭回归 ¶

LASSO模型选择：交叉验证/AIC/BIC ¶

在20newgroups上的多类系数逻辑回归 ¶

随机梯度下降的早期停止 ¶

泊松回归与非正常损失 ¶

保险索赔的推断回归 ¶

具有多重共线性或相关特征的置换重要性 ¶

部分依赖图 ¶

置换重要性与随机森林特征重要性(MDI) ¶

线性模型系数解释中的常见缺陷 ¶

带LLE的Swiss Roll降低 ¶

流形学习方法的比较 ¶

多维标度 ¶

t-sne：不同perplexity值对形状的影响 ¶

割球面上的流形学习方法 ¶

手写数字上的流形学习：局部线性嵌入，Isomap… ¶

压缩估算器表示 ¶

带有可视化API的ROC曲线 ¶

等渗回归 ¶

显示对象的可视化 ¶

局部依赖的高级绘图 ¶

使用多输出估算器完成人脸绘制 ¶

多标签分类 ¶

对“玩具数据集”进行异常检测，并比较异常检测算法 ¶

Johnson-Lindenstrauss绑定嵌入随机投影 ¶

核岭回归与SVR的比较 ¶

RBF内核的显式特征图近似 ¶

使用IterativeImputer的变体估算缺失值 ¶

在建立估算器之前估算缺失值 ¶

绘制交叉验证的预测 ¶

混淆矩阵 ¶

绘制验证曲线 ¶

欠拟合与过拟合 ¶

使用带有交叉验证的网格搜索进行参数估计 ¶

比较随机搜索和网格搜索以进行超参数估计 ¶

训练误差与测试误差 ¶

带交叉验证的ROC曲线 ¶

嵌套与非嵌套交叉验证 ¶

在cross_val_score和GridSearchCV上进行多指标评估的演示 ¶

用于文本特征提取和评估的示例管道 ¶

平衡模型的复杂性和交叉验证的分数 ¶

在scikit-learn中可视化交叉验证行为 ¶

ROC曲线 ¶

精确度-召回曲线 ¶

绘制学习曲线 ¶

分类器链 ¶

最近邻回归 ¶

使用局部离群因子（LOF）进行离群检测 ¶

最近邻分类 ¶

最近邻质心分类 ¶

核密度估计 ¶

缓存最近邻 ¶

邻域成分分析图 ¶

具有局部离群因子（LOF）的新颖性检测 ¶

比较有邻域成分分析与无邻域成分分析的最近邻域 ¶

用邻域成分分析进行降维 ¶

物种分布的核密度估计 ¶

简单的1维内核密度估计 ¶

TSNE中近似的最近邻 ¶

在MNIST数据集上可视化MLP权重 ¶

用于数字分类的‘受限玻尔兹曼机’功能 ¶

比较MLPClassifier的随机学习策略 ¶

多层感知器中的正则化 ¶

串联多个特征提取方法 ¶

管道：链接PCA和逻辑回归 ¶

使用Pipeline和GridSearchCV选择降维算法 ¶

混合型列式转换器 ¶

具有异构数据源的列变形器 ¶

在回归模型中转换目标的效果 ¶

使用FunctionTransformer选择列 ¶

使用KBinsDiscretizer离散化连续特征 ¶

演示KBinsDiscretizer的不同策略 ¶

特征缩放的重要性 ¶

将数据映射到正态分布 ¶

特征离散化 ¶

将不同缩放器对数据的影响与离群值进行比较 ¶

Iris数据集上的标签传播与SVM的决策边界 ¶

使用标签传播学习复杂的结构 ¶

手写数据集上的标签传播：性能展示 ¶

手写数字数据集上的标签传播：主动学习 ¶

非线性支持向量机 ¶

支持向量机：最大边际分割超平面 ¶

带有自定义核函数的支持向量机 ¶

绘制线性支持向量机（基于liblinear）的支持向量 ¶

处理平局的支持向量机 ¶

支持向量机：有权重的样本 ¶

支持向量机：不均衡数据集的分割超平面 ¶

支持向量机：核函数 ¶

SVM-Anova：具有单变量特征选择的SVM ¶

支持向量机的边际 ¶

使用线性与非线性核的支持向量机回归 ¶

具有非线性内核（RBF）的一类支持向量机（One-class SVM） ¶

在鸢尾花数据集中绘制不同的SVM分类器 ¶

缩放SVC的正则化参数 ¶

RBF核支持向量机的参数 ¶

手写数据集分类练习 ¶

手写数据集上的交叉验证 ¶

支持向量机的练习 ¶

糖尿病数据集上的交叉验证练习 ¶

FeatureHasher与DictVectorizer的比较 ¶

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 ¶