• 安装 scikit-learn
• 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.md) 的转换
  • 5. 数据集加载工具
  • 6. 大规模计算的策略: 更大量的数据
  • 7. 计算性能
• 教程
  • 使用 scikit-learn 介绍机器学习
  • 关于科学数据处理的统计学习教程
  • 机器学习: scikit-learn 中的设置以及预估对象
  • 监督学习：从高维观察预测输出变量
  • 模型选择：选择估计量及其参数
  • 无监督学习: 寻求数据表示
  • 把它们放在一起
  • 寻求帮助
  • 处理文本数据
  • 选择正确的评估器(estimator.md)
  • 外部资源，视频和谈话
• API 参考
• 常见问题