機器學習(公式推導與代碼實現)–sklearn機器學習庫

一.scikit-learn概述

1.sklearn模型

  sklearn全稱是scikit-learn，它是一個基於Python的機器學習類庫，主要建立在NumPy、Pandas、SciPy和Matplotlib等類庫之上，基本上覆蓋了常見了分類、回歸、聚類、降維、模型選擇和預處理模塊。

2.sklearn源碼

下圖是sklearn在GitHub上的源代碼，編程語言主要包括：91.4%的Python，6.5%的Cython，1.3%的C++和0.8%的Other。如下所示：

二.模型選擇和預處理

1.模型選擇
解析：網格搜索，交叉驗證
2.預處理
解析：評估指標，數據預處理

三.有監督學習模型

  可以將有監督模型分為生成式模型和判別式模型，常見的生成式模型包括樸素貝葉斯、HMM和隱含狄利克雷分配(LDA)，其它的基本都是判別式模型。
1.線性模型
解析：線性回歸，對數幾率回歸，LASSO回歸，Ridge回歸，線性判別分析(LDA)
2.\({k}\)近鄰
3.決策樹
解析：ID3，C4.5，CART
4.神經網絡
解析：感知機，神經網絡
5.支持向量機
解析：線性可分，近似線性可分，線性不可分
6.集成模型
(1)Boosting
解析：AdaBoost，GBDT，XGBoost，LightGBM，CatBoost
(2)Bagging
解析：隨機森林

四.無監督學習模型

1.聚類
解析：\(k\)均值聚類，層次聚類，譜聚類
2.降維
解析：主成分分析(PCA)，奇異值分解(SVD)

五.概率模型

1.最大信息熵模型
2.貝葉斯概率模型
解析：樸素貝葉斯，貝葉斯網絡
3.期望最大化(EM)算法
4.概率圖模型
解析：隱馬爾科夫模型(HMM)，條件隨機場(CRF)
5.馬爾可夫鏈蒙特卡洛(MCMC)

參考文獻：
[1]scikit-learn：//scikit-learn.org/stable/
[2]scikit-learn(sklearn)官方文檔中文版：//sklearn.apachecn.org/#/?id=scikit-learn-sklearn-官方文檔中文版
[3]scikit-learn安裝：//scikit-learn.org/stable/install.html
[4]scikit-learn用戶指南：//scikit-learn.org/stable/user_guide.html
[5]scikit-learn API參考：//scikit-learn.org/stable/modules/classes.html
[6]scikit-learn例子：//scikit-learn.org/stable/auto_examples/index.html
[7]scikit-learn博客：//blog.scikit-learn.org/
[8]scikit-learn教程：//scikit-learn.org/stable/tutorial/index.html
[9]scikit-learn FAQ：//scikit-learn.org/stable/faq.html
[10]scikit-learn GitHub：//github.com/scikit-learn/scikit-learn
[11]scikit-learn不同版本文檔：//scikit-learn.org/dev/versions.html
[12]scikit-learn wiki：//github.com/scikit-learn/scikit-learn/wiki
[13]scikit-learn版本更新日誌：//scikit-learn.org/stable/whats_new/v1.1.html
[14]scikit-learn開發指南：//scikit-learn.org/dev/developers/index.html
[15]scikit-learn相關類庫：//scikit-learn.org/stable/related_projects.html
[16]Hugging Face：//huggingface.co/
[17]《機器學習：公式推導與代碼實現》

Tags:

VirMach 便宜 VPS

QNews

QNews