跳到主内容
Ctrl+K
scikit-learn homepage scikit-learn homepage
  • 安装
  • 用户指南
  • API
  • 示例
  • 社区
    • 入门
    • 发布历史
    • 术语表
    • 开发
    • 常见问题
    • 支持
    • 相关项目
    • 路线图
    • 治理
    • 关于我们
  • GitHub
  • 安装
  • 用户指南
  • API
  • 示例
  • 社区
  • 入门
  • 发布历史
  • 术语表
  • 开发
  • 常见问题
  • 支持
  • 相关项目
  • 路线图
  • 治理
  • 关于我们
  • GitHub

章节导航

  • 发布亮点
    • scikit-learn 1.7 发布亮点
    • scikit-learn 1.6 发布亮点
    • scikit-learn 1.5 发布亮点
    • scikit-learn 1.4 发布亮点
    • scikit-learn 1.3 发布亮点
    • scikit-learn 1.2 发布亮点
    • scikit-learn 1.1 发布亮点
    • scikit-learn 1.0 发布亮点
    • scikit-learn 0.24 发布亮点
    • scikit-learn 0.23 发布亮点
    • scikit-learn 0.22 发布亮点
  • 双聚类
    • 谱系双聚类算法演示
    • 谱系共聚类算法演示
    • 使用谱系共聚类算法对文档进行双聚类
  • 校准
    • 分类器校准比较
    • 概率校准曲线
    • 3类分类的概率校准
    • 分类器的概率校准
  • 分类
    • 分类器比较
    • 带协方差椭球的线性和二次判别分析
    • 用于分类的Normal、Ledoit-Wolf 和 OAS 线性判别分析
    • 绘制分类概率
    • 手写数字识别
  • 聚类
    • 手写数字数据上的 K-Means 聚类演示
    • 硬币图像上的结构化 Ward 层次聚类演示
    • 均值漂移聚类算法演示
    • 聚类性能评估中的随机性调整
    • 有结构和无结构的凝聚聚类
    • 不同度量的凝聚聚类
    • K-Means++ 初始化示例
    • 二分 K-Means 与常规 K-Means 性能比较
    • 比较 BIRCH 和 MiniBatchKMeans
    • 在玩具数据集上比较不同的聚类算法
    • 在玩具数据集上比较不同的层次链接方法
    • K-Means 和 MiniBatchKMeans 聚类算法比较
    • DBSCAN 聚类算法演示
    • HDBSCAN 聚类算法演示
    • OPTICS 聚类算法演示
    • 亲和传播聚类算法演示
    • k-means 假设演示
    • k-means 初始化影响的经验评估
    • 特征聚合
    • 特征聚合与单变量选择
    • 层次聚类:结构化与非结构化 Ward
    • 归纳聚类
    • 人脸部件字典的在线学习
    • 绘制层次聚类树状图
    • 将希腊硬币图片分割成区域
    • 使用 K-Means 聚类的轮廓分析选择聚类数量
    • 用于图像分割的谱聚类
    • 数字二维嵌入上的各种凝聚聚类
    • 矢量量化示例
  • 协方差估计
    • Ledoit-Wolf vs OAS 估计
    • 鲁棒协方差估计与马氏距离相关性
    • 鲁棒协方差估计与经验协方差估计比较
    • 收缩协方差估计:LedoitWolf vs OAS 和最大似然
    • 稀疏逆协方差估计
  • 交叉分解
    • 比较交叉分解方法
    • 主成分回归与偏最小二乘回归
  • 数据集示例
    • 绘制随机生成的多标签数据集
  • 决策树
    • 决策树回归
    • 绘制在鸢尾花数据集上训练的决策树的决策边界
    • 使用成本复杂度剪枝对决策树进行后剪枝
    • 理解决策树结构
  • 分解
    • 使用 FastICA 进行盲源分离
    • 鸢尾花数据集的 LDA 和 PCA 二维投影比较
    • 人脸数据集分解
    • 因子分析(带旋转)以可视化模式
    • 二维点云上的 FastICA
    • 使用字典学习进行图像去噪
    • 增量 PCA
    • 核 PCA
    • 使用概率 PCA 和因子分析 (FA) 进行模型选择
    • 鸢尾花数据集上的主成分分析 (PCA)
    • 使用预计算字典进行稀疏编码
  • 开发估计器
    • __sklearn_is_fitted__ 作为开发者 API
  • 集成方法
    • 梯度提升中的分类特征支持
    • 使用堆叠组合预测器
    • 比较随机森林和直方图梯度提升模型
    • 比较随机森林和多输出元估计器
    • 使用 AdaBoost 的决策树回归
    • 梯度提升中的提前停止
    • 使用树林进行特征重要性分析
    • 使用树集成进行特征转换
    • 直方图梯度提升树中的特征
    • 梯度提升袋外估计
    • 梯度提升回归
    • 梯度提升正则化
    • 使用完全随机树进行哈希特征转换
    • IsolationForest 示例
    • 单调约束
    • 多类 AdaBoosted 决策树
    • 随机森林的 OOB 误差
    • 绘制个体和投票回归预测
    • 绘制鸢尾花数据集上树集成的决策边界
    • 梯度提升回归的预测区间
    • 单一估计器与 bagging:偏差-方差分解
    • 两类 AdaBoost
    • 可视化 VotingClassifier 的概率预测
  • 基于真实世界数据集的示例
    • 压缩感知:使用 L1 先验(Lasso)进行断层扫描重建
    • 使用特征脸和 SVM 进行人脸识别示例
    • 使用核 PCA 进行图像去噪
    • 用于时间序列预测的滞后特征
    • 模型复杂度影响
    • 文本文档的核外分类
    • 真实数据集上的异常值检测
    • 预测延迟
    • 物种分布建模
    • 时间相关特征工程
    • 使用非负矩阵分解和潜在狄利克雷分配进行主题提取
    • 可视化股票市场结构
    • 维基百科主特征向量
  • 特征选择
    • F 检验和互信息比较
    • 基于模型和顺序特征选择
    • Pipeline ANOVA SVM
    • 递归特征消除
    • 带交叉验证的递归特征消除
    • 单变量特征选择
  • 冻结估计器
    • 使用 FrozenEstimator 的示例
  • 高斯混合模型
    • 变分贝叶斯高斯混合的集中先验类型分析
    • 高斯混合的密度估计
    • GMM 初始化方法
    • GMM 协方差
    • 高斯混合模型椭圆
    • 高斯混合模型选择
    • 高斯混合模型正弦曲线
  • 机器学习中的高斯过程
    • 高斯过程回归 (GPR) 估计数据噪声水平的能力
    • 核岭回归与高斯过程回归的比较
    • 使用高斯过程回归 (GPR) 预测 Mona Loa 数据集上的 CO2 水平
    • 高斯过程回归:基本入门示例
    • 鸢尾花数据集上的高斯过程分类 (GPC)
    • 离散数据结构上的高斯过程
    • XOR 数据集上的高斯过程分类 (GPC) 演示
    • 不同核的先验和后验高斯过程图示
    • 高斯过程分类 (GPC) 的等概率线
    • 高斯过程分类 (GPC) 的概率预测
  • 广义线性模型
    • 比较线性贝叶斯回归器
    • 使用贝叶斯岭回归进行曲线拟合
    • 多项式和一对多逻辑回归的决策边界
    • 随机梯度下降的提前停止
    • 使用预计算 Gram 矩阵和加权样本拟合 Elastic Net
    • HuberRegressor vs Ridge 在存在强异常值数据集上的比较
    • 使用多任务 Lasso 进行联合特征选择
    • 逻辑回归中的 L1 惩罚和稀疏性
    • 用于稀疏信号的基于 L1 的模型
    • 通过信息准则选择 Lasso 模型
    • Lasso 模型选择:AIC-BIC / 交叉验证
    • 稠密和稀疏数据上的 Lasso
    • Lasso、Lasso-LARS 和 Elastic Net 路径
    • 逻辑函数
    • 使用多项式逻辑 + L1 进行 MNIST 分类
    • 20newgroups 上的多类稀疏逻辑回归
    • 非负最小二乘
    • One-Class SVM 与使用随机梯度下降的 One-Class SVM 比较
    • 普通最小二乘和岭回归
    • 正交匹配追踪
    • 绘制岭系数作为正则化函数的图
    • 绘制鸢尾花数据集上的多类 SGD
    • 泊松回归和非正态损失
    • 多项式和样条插值
    • 分位数回归
    • L1-逻辑回归的正则化路径
    • 岭系数作为 L2 正则化函数的图
    • 鲁棒线性估计器拟合
    • 使用 RANSAC 进行鲁棒线性模型估计
    • SGD:最大间隔分离超平面
    • SGD:惩罚
    • SGD:加权样本
    • SGD:凸损失函数
    • Theil-Sen 回归
    • 保险索赔上的 Tweedie 回归
  • 检查
    • 线性模型系数解释中的常见陷阱
    • 机器学习未能推断因果效应
    • 偏依赖和个体条件期望图
    • 置换重要性与随机森林特征重要性 (MDI)
    • 多重共线性或相关特征的置换重要性
  • 核近似
    • 多项式核近似的可扩展学习
  • 流形学习
    • 流形学习方法比较
    • 断开球体上的流形学习方法
    • 手写数字上的流形学习:局部线性嵌入、Isomap…等
    • 多维标度
    • Swiss Roll 和 Swiss-Hole 降维
    • t-SNE:不同困惑度值对形状的影响
  • 杂项
    • 高级偏依赖绘图
    • 在玩具数据集上比较异常检测算法
    • 核岭回归与 SVR 的比较
    • 显示管道
    • 显示估计器和复杂管道
    • 异常值检测估计器评估
    • RBF 核的显式特征映射近似
    • 使用多输出估计器进行人脸补全
    • 引入 set_output API
    • 保序回归
    • 元数据路由
    • 多标签分类
    • 带可视化 API 的 ROC 曲线
    • 随机投影嵌入的 Johnson-Lindenstrauss 界
    • 使用显示对象进行可视化
  • 缺失值填充
    • 在构建估计器之前填充缺失值
    • 使用 IterativeImputer 的变体填充缺失值
  • 模型选择
    • 平衡模型复杂度和交叉验证分数
    • 类似然比测量分类性能
    • 比较随机搜索和网格搜索进行超参数估计
    • 网格搜索与逐次减半的比较
    • 混淆矩阵
    • 带交叉验证的网格搜索自定义重拟合策略
    • 演示 cross_val_score 和 GridSearchCV 上的多指标评估
    • 检测错误权衡 (DET) 曲线
    • 模型正则化对训练和测试误差的影响
    • 多类接收者操作特征 (ROC)
    • 嵌套与非嵌套交叉验证
    • 绘制交叉验证预测
    • 绘制学习曲线并检查模型的扩展性
    • 决策函数截止点的后验调整
    • 成本敏感学习的决策阈值后调整
    • 精确度-召回率
    • 带交叉验证的接收者操作特征 (ROC)
    • 文本特征提取和评估的样本管道
    • 使用网格搜索进行模型的统计比较
    • 逐次减半迭代
    • 用置换检验分类分数的显著性
    • 欠拟合 vs. 过拟合
    • 可视化 scikit-learn 中的交叉验证行为
  • 多类方法
    • 多类训练元估计器概述
  • 多输出方法
    • 使用分类器链进行多标签分类
  • 最近邻
    • TSNE 中的近似最近邻
    • 缓存最近邻
    • 带和不带邻域成分分析的最近邻比较
    • 使用邻域成分分析进行降维
    • 物种分布的核密度估计
    • 核密度估计
    • 最近质心分类
    • 最近邻分类
    • 最近邻回归
    • 邻域成分分析图示
    • 使用局部异常因子 (LOF) 进行新颖性检测
    • 使用局部异常因子 (LOF) 进行异常值检测
    • 简单一维核密度估计
  • 神经网络
    • 比较 MLPClassifier 的随机学习策略
    • 用于数字分类的受限玻尔兹曼机特征
    • 多层感知器中正则化参数的变化
    • MNIST 上 MLP 权重的可视化
  • 管道和复合估计器
    • 带异构数据源的列转换器
    • 带混合类型的列转换器
    • 连接多种特征提取方法
    • 回归模型中目标转换的影响
    • 管道:链式连接 PCA 和逻辑回归
    • 使用管道和 GridSearchCV 选择降维
  • 预处理
    • 比较不同缩放器对带异常值数据的影响
    • 比较目标编码器与其他编码器
    • 演示 KBinsDiscretizer 的不同策略
    • 特征离散化
    • 特征缩放的重要性
    • 将数据映射到正态分布
    • 目标编码器的内部交叉拟合
    • 使用 KBinsDiscretizer 对连续特征进行离散化
  • 半监督分类
    • 半监督分类器与 SVM 在鸢尾花数据集上的决策边界
    • 自训练中阈值变化的影响
    • 标签传播圆形:学习复杂结构
    • 标签传播数字:主动学习
    • 标签传播数字:性能演示
    • 文本数据集上的半监督分类
  • 支持向量机
    • 带非线性核 (RBF) 的单类 SVM
    • 绘制不同 SVM 核的分类边界
    • 绘制鸢尾花数据集中不同的 SVM 分类器
    • 在 LinearSVC 中绘制支持向量
    • RBF SVM 参数
    • SVM 破平示例
    • SVM 平局处理示例
    • 带自定义核的 SVM
    • SVM-Anova:带单变量特征选择的 SVM
    • SVM:最大间隔分离超平面
    • SVM:不平衡类别的分离超平面
    • SVM:加权样本
    • SVC 正则化参数的缩放
    • 使用线性和非线性核的支持向量回归 (SVR)
  • 处理文本文档
    • 使用稀疏特征对文本文档进行分类
    • 使用 k-means 对文本文档进行聚类
    • FeatureHasher 和 DictVectorizer 比较
  • 示例
  • 协方差估计

协方差估计#

关于 sklearn.covariance 模块的示例。

Ledoit-Wolf vs OAS 估计

Ledoit-Wolf vs OAS 估计

鲁棒协方差估计与马氏距离相关性

鲁棒协方差估计与马氏距离相关性

鲁棒协方差估计与经验协方差估计比较

鲁棒协方差估计与经验协方差估计比较

收缩协方差估计:LedoitWolf vs OAS 和最大似然

收缩协方差估计:LedoitWolf vs OAS 和最大似然

稀疏逆协方差估计

稀疏逆协方差估计

上一页

矢量量化示例

下一页

Ledoit-Wolf vs OAS 估计

© 版权所有 2007 - 2025,scikit-learn 开发者 (BSD 许可证)。