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