跳过至主要内容
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

部分导航

  • 发布亮点
    • scikit-learn 1.8 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
    • 谱双聚类算法演示
    • 谱协同聚类算法演示
    • 使用谱协同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分类问题的概率校准
    • 分类器的概率校准
  • 分类
    • 分类器比较
    • 具有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
    • 在手写数字数据上演示 K-Means 聚类
    • 对硬币图像进行结构化 Ward 分层聚类演示
    • 均值漂移聚类算法演示
    • 聚类性能评估中的机会调整
    • 使用不同度量的 Agglomerative 聚类
    • K-Means++ 初始化示例
    • 二分 K-Means 和常规 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分层链接方法
    • 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
    • D affinity propagation 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 vs. 单变量选择
    • 有结构和无结构的分层聚类
    • 归纳聚类
    • 人脸部分字典的在线学习
    • 绘制分层聚类树状图
    • 将希腊硬币图片分割成区域
    • 使用 KMeans 聚类的轮廓分析选择簇的数量
    • 用于图像分割的谱聚类
    • 在数字的 2D 嵌入上进行各种 Agglomerative 聚类
    • 向量量化示例
  • 协方差估计
    • Ledoit-Wolf vs OAS 估计
    • 鲁棒协方差估计和马哈拉诺比斯距离相关性
    • 鲁棒 vs 经验协方差估计
    • 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 vs 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 投影比较
    • 人脸数据集分解
    • 因子分析（带旋转）以可视化模式
    • FastICA 在 2D 点云上的应用
    • 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
    • 带 AdaBoost 的决策树回归
    • 梯度提升中的早停
    • 使用森林中的树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
    • 绘制在 iris 数据集上训练的树集成的决策边界
    • 梯度提升回归的预测区间
    • 单个估计器 vs 装袋：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 eigenfaces 和 SVM 进行人脸识别示例
    • 使用核 PCA 进行图像去噪
    • 时间序列预测中的滞后特征
    • 模型复杂度影响
    • 文本文档的核外分类
    • 真实数据集上的离群点检测
    • 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
    • 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浓度先验类型分析
    • 高斯混合的密度估计
    • GMM 初始化方法
    • GMM 协方差
    • 高斯混合模型椭球体
    • 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
    • 核岭回归和高斯过程回归比较
    • 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
    • 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）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
    • 使用高斯过程分类（GPC）进行概率预测
  • 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
    • 随机梯度下降的早停
    • 使用预计算 Gram 矩阵和加权样本拟合 Elastic Net
    • HuberRegressor vs Ridge 在具有强离群点的数据集上的比较
    • 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 L1 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
    • Lasso 在密集和稀疏数据上的应用
    • Lasso、Lasso-LARS 和 Elastic Net 路径
    • 使用多项式逻辑 + L1 进行 MNIST 分类
    • 在 20newgroups 上进行多类稀疏逻辑回归
    • 非负最小二乘法
    • One-Class SVM vs 使用随机梯度下降的 One-Class SVM
    • 普通最小二乘法和岭回归
    • 正交匹配追踪
    • 绘制岭系数作为正则化函数的函数
    • 绘制 iris 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 正则化的函数
    • 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
    • 机器学习无法推断因果效应
    • 部分依赖和个体条件期望图
    • 排列重要性 vs 随机森林特征重要性（MDI）
    • 具有多重共线或相关特征的排列重要性
  • 核近似
    • 使用多项式核近似进行可扩展学习
  • 流形学习
    • 流形学习方法比较
    • 被切断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…
    • 多维尺度分析
    • 瑞士卷和瑞士孔还原
    • t-SNE：不同困惑度值对形状的影响
  • 杂项
    • 使用部分依赖进行高级绘图
    • 在玩具数据集上比较用于离群点检测的异常检测算法
    • 核岭回归和 SVR 比较
    • 显示管道
    • 显示估计器和复杂管道
    • 离群点检测估计器的评估
    • RBF 核的显式特征图近似
    • 使用多输出估计器进行人脸补全
    • 介绍 set_output API
    • 保序回归
    • 元数据路由
    • 多标签分类
    • 使用可视化 API 的 ROC 曲线
    • 具有随机投影嵌入的 Johnson-Lindenstrauss 界限
    • 使用显示对象进行可视化
  • 缺失值插补
    • 在构建估计器之前插补缺失值
    • 使用 IterativeImputer 变体插补缺失值
  • 模型选择
    • 平衡模型复杂度和交叉验证得分
    • 使用类别似然比衡量分类性能
    • 比较用于超参数估计的随机搜索和网格搜索
    • 网格搜索和连续减半比较
    • 带有交叉验证的网格搜索的自定义重新拟合策略
    • 演示在 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
    • 使用混淆矩阵评估分类器性能
    • 多类接收者操作特征（ROC）
    • 嵌套 vs 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可扩展性
    • 后验调整决策函数的截止点
    • 后验调整成本敏感学习的决策阈值
    • 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
    • 连续减半迭代
    • 通过排列测试分类得分的显著性
    • 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
    • 比较带和不带邻域成分分析的最近邻
    • 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
    • 使用局部离群点因子（LOF）进行新奇检测
    • 使用局部离群点因子（LOF）进行离群点检测
    • 简单 1D 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
    • 多层感知器中的不同正则化
    • MNIST 上的 MLP 权重可视化
  • 管道和复合估计器
    • 具有异构数据源的列转换器
    • 具有混合类型的列转换器
    • 连接多个特征提取方法
    • 在回归模型中转换目标变量的效果
    • 管道化：链式 PCA 和逻辑回归
    • 使用 Pipeline 和 GridSearchCV 选择降维方法
  • 预处理
    • 比较不同缩放器对带离群点数据的影响
    • 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 Iris 数据集上的决策边界
    • 不同自训练阈值的影响
    • 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
    • 绘制 iris 数据集中的不同 SVM 分类器
    • 绘制 LinearSVC 中的支持向量
    • RBF SVM 参数
    • SVM 间隔示例
    • SVM 平局打破示例
    • 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）
  • 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
  • 神经网络

神经网络#

有关 sklearn.neural_network 模块的示例。

比较 MLPClassifier 的随机学习策略

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

用于数字分类的受限玻尔兹曼机特征

多层感知器中的不同正则化

多层感知器中的不同正则化

MNIST 上的 MLP 权重可视化

MNIST 上的 MLP 权重可视化

previous

Simple 1D Kernel Density Estimation

next

Compare Stochastic learning strategies for MLPClassifier

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