跳到主内容
Ctrl+K
scikit-learn homepage scikit-learn homepage
  • 安装
  • 用户指南
  • API
  • 示例
  • 社区
    • 开始
    • 发布历史
    • 词汇表
    • 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
  • 开始
  • 发布历史
  • 词汇表
  • 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 的发布亮点
    • scikit-learn 1.6 的发布亮点
    • scikit-learn 1.5 的发布亮点
    • scikit-learn 1.4 的发布亮点
    • scikit-learn 1.3 的发布亮点
    • scikit-learn 1.2 的发布亮点
    • scikit-learn 1.1 的发布亮点
    • scikit-learn 1.0 的发布亮点
    • scikit-learn 0.24 的发布亮点
    • scikit-learn 0.23 的发布亮点
    • scikit-learn 0.22 的发布亮点
  • 双聚类
    • 谱系双聚类算法演示
    • 谱系联合聚类算法演示
    • 使用谱系联合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
    • 三分类的概率校准
    • 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
    • 识别手写数字
  • 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
    • 聚类性能评估中的偶然性调整
    • 带结构和不带结构的凝聚聚类
    • 使用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聚类算法的比较
    • 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假设的演示
    • k-means初始化影响的实证评估
    • 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
    • 在线学习人脸部分字典
    • 绘制层次聚类树状图
    • 将希腊硬币图片分割成区域
    • 使用KMeans聚类上的轮廓分析选择簇的数量
    • 用于图像分割的谱聚类
    • 数字2D嵌入上的各种凝聚聚类
    • 向量量化示例
  • 协方差估计
    • Ledoit-Wolf与OAS估计比较
    • 鲁棒协方差估计和马氏距离相关性
    • 鲁棒协方差估计与经验协方差估计
    • 收缩协方差估计:LedoitWolf与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iris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
    • Iris数据集LDA和PCA 2D投影的比较
    • 人脸数据集分解
    • 因子分析(带旋转)以可视化模式
    • 2D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
    • Iris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
    • 梯度提升中的早期停止
    • 树林中的特征重要性
    • 树集成中的特征变换
    • 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
    • 使用全随机树进行哈希特征变换
    • IsolationForest示例
    • 单调约束
    • 多类AdaBoosted决策树
    • 随机森林的OOB错误
    • 绘制个体和投票回归预测
    • 绘制iris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
    • 二分类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)的断层扫描重建
    • 使用特征脸和SVM的人脸识别示例
    • 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检验和互信息的比较
    • 基于模型和序贯特征选择
    • 管道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
    • 高斯混合模型椭球
    • 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数据集上的二氧化碳水平
    • 高斯过程回归:基本介绍示例
    • iris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)示例
    • 不同核的高斯过程先验和后验图示
    • 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
    • 贝叶斯岭回归的曲线拟合
    • 多项式和一对多逻辑回归的决策边界
    • 随机梯度下降的早期停止
    • 使用预计算Gram矩阵和加权样本拟合弹性网络
    • HuberRegressor与Ridge在带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
    • 通过信息准则进行Lasso模型选择
    • Lasso模型选择:AIC-BIC / 交叉验证
    • 稠密和稀疏数据上的Lasso
    • Lasso, Lasso-LARS和弹性网络路径
    • Logistic函数
    • 使用多项式逻辑 + L1的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
    • 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曲线
    • 在iris数据集上绘制多类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正则化函数的曲线
    • 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
    • 部分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
    • 使用多项式核近似的可伸缩学习
  • 流形学习
    • 流形学习方法比较
    • 切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
    • 多维缩放
    • 瑞士卷和瑞士孔降维
    • t-SNE:不同困惑度值对形状的影响
  • 杂项
    • 高级部分依赖绘图
    • 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
    • 异常值检测估计器的评估
    • 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
    • 介绍set_output API
    • 等渗回归
    • 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界限
    • 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
    • 使用类似然比衡量分类性能
    • 比较随机搜索和网格搜索进行超参数估计
    • 网格搜索和逐次减半的比较
    • 混淆矩阵
    • 带交叉验证的网格搜索的自定义重拟合策略
    • 在cross_val_score和GridSearchCV上演示多指标评估
    • 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
    • 绘制学习曲线和检查模型可伸缩性
    • 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
    • 精确率-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示例管道
    • 使用网格搜索进行模型的统计比较
    • 逐次减半迭代
    • 使用置换检验分类分数的显著性
    • 欠拟合与过拟合
    • scikit-learn中交叉验证行为的可视化
  • 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
    • 邻域成分分析的降维
    • 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)的新奇点检测
    • 使用局部异常因子(LOF)的异常值检测
    • 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
    • 多层感知器中的正则化变化
    • MNIST上MLP权重的可视化
  • 管道和复合估计器
    • 带异构数据源的列变换器
    • 带混合类型的列变换器
    • 连接多个特征提取方法
    • 回归模型中目标变换的效果
    • 管道化:PCA与逻辑回归的链式连接
    • 使用Pipeline和GridSearchCV选择降维
  • 预处理
    • 比较不同缩放器对含异常值数据的影响
    • 目标编码器与其他编码器的比较
    • 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Iris数据集上的决策边界
    • 自训练中不同阈值的影响
    • 标签传播圈:学习复杂结构
    • 标签传播数字:主动学习
    • 标签传播数字:演示性能
    • 文本数据集上的半监督分类
  • 支持向量机
    • 带非线性核(RBF)的One-class SVM
    • 使用不同SVM核绘制分类边界
    • 在iris数据集上绘制不同的SVM分类器
    • 在LinearSVC中绘制支持向量
    • RBF SVM参数
    • SVM平局示例
    • SVM打破平局示例
    • 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的正则化参数缩放
    • 使用线性和非线性核的支持向量回归(SVR)
  • 文本文档处理
    • 使用稀疏特征进行文本文档分类
    • 使用k-means对文本文档进行聚类
    • FeatureHasher和DictVectorizer比较
  • 示例
  • 缺失值填充

缺失值填充#

关于sklearn.impute模块的示例。

在构建估计器之前填充缺失值

在构建估计器之前填充缺失值

使用IterativeImputer的变体填充缺失值

使用IterativeImputer的变体填充缺失值

上一页

使用显示对象进行可视化

下一页

在构建估计器之前填充缺失值

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