1. 有监督学习# 1.1. 线性模型 1.1.1. 普通最小二乘法 1.1.2. 岭回归和分类 1.1.3. Lasso 1.1.4. 多任务 Lasso 1.1.5. Elastic-Net 1.1.6. 多任务 Elastic-Net 1.1.7. 最小角回归 1.1.8. LARS Lasso 1.1.9. 正交匹配追踪 (OMP) 1.1.10. 贝叶斯回归 1.1.11. 逻辑回归 1.1.12. 广义线性模型 1.1.13. 随机梯度下降 - SGD 1.1.14. 鲁棒回归:离群点和建模误差 1.1.15. 分位数回归 1.1.16. 多项式回归:使用基函数扩展线性模型 1.2. 线性判别分析和二次判别分析 1.2.1. 使用线性判别分析进行降维 1.2.2. LDA 和 QDA 分类器的数学公式 1.2.3. LDA 降维的数学公式 1.2.4. 收缩和协方差估计器 1.2.5. 估计算法 1.3. 核岭回归 1.4. 支持向量机 1.4.1. 分类 1.4.2. 回归 1.4.3. 密度估计、新颖性检测 1.4.4. 复杂度 1.4.5. 实用技巧 1.4.6. 核函数 1.4.7. 数学公式 1.4.8. 实现细节 1.5. 随机梯度下降 1.5.1. 分类 1.5.2. 回归 1.5.3. 在线一类支持向量机 1.5.4. 稀疏数据的随机梯度下降 1.5.5. 复杂度 1.5.6. 停止准则 1.5.7. 实用技巧 1.5.8. 数学公式 1.5.9. 实现细节 1.6. K近邻 1.6.1. 无监督 K近邻 1.6.2. K近邻分类 1.6.3. K近邻回归 1.6.4. K近邻算法 1.6.5. 最近质心分类器 1.6.6. K近邻转换器 1.6.7. 邻域成分分析 1.7. 高斯过程 1.7.1. 高斯过程回归 (GPR) 1.7.2. 高斯过程分类 (GPC) 1.7.3. GPC 示例 1.7.4. 高斯过程的核函数 1.8. 交叉分解 1.8.1. PLSCanonical 1.8.2. PLSSVD 1.8.3. PLSRegression 1.8.4. 典型相关分析 1.9. 朴素贝叶斯 1.9.1. 高斯朴素贝叶斯 1.9.2. 多项式朴素贝叶斯 1.9.3. 补充朴素贝叶斯 1.9.4. 伯努利朴素贝叶斯 1.9.5. 分类朴素贝叶斯 1.9.6. 核外朴素贝叶斯模型拟合 1.10. 决策树 1.10.1. 分类 1.10.2. 回归 1.10.3. 多输出问题 1.10.4. 复杂度 1.10.5. 实用技巧 1.10.6. 树算法:ID3、C4.5、C5.0 和 CART 1.10.7. 数学公式 1.10.8. 缺失值支持 1.10.9. 最小代价-复杂度剪枝 1.11. 集成方法:梯度提升、随机森林、bagging、投票、堆叠 1.11.1. 梯度提升树 1.11.2. 随机森林和其他随机树集成 1.11.3. Bagging 元估计器 1.11.4. 投票分类器 1.11.5. 投票回归器 1.11.6. 堆叠泛化 1.11.7. AdaBoost 1.12. 多类别和多输出算法 1.12.1. 多类别分类 1.12.2. 多标签分类 1.12.3. 多类别-多输出分类 1.12.4. 多输出回归 1.13. 特征选择 1.13.1. 移除低方差特征 1.13.2. 单变量特征选择 1.13.3. 递归特征消除 1.13.4. 使用 SelectFromModel 进行特征选择 1.13.5. 顺序特征选择 1.13.6. 作为管道一部分的特征选择 1.14. 半监督学习 1.14.1. 自训练 1.14.2. 标签传播 1.15. 保序回归 1.16. 概率校准 1.16.1. 校准曲线 1.16.2. 校准分类器 1.16.3. 用法 1.17. 神经网络模型(有监督) 1.17.1. 多层感知器 1.17.2. 分类 1.17.3. 回归 1.17.4. 正则化 1.17.5. 算法 1.17.6. 复杂度 1.17.7. 实用技巧 1.17.8. 使用 warm_start 获得更多控制