关于机器学习:机器学习公式推导与代码实现sklearn机器学习库

一.scikit-learn概述

1.sklearn模型

  sklearn全称是scikit-learn，它是一个基于Python的机器学习类库，次要建设在NumPy、Pandas、SciPy和Matplotlib等类库之上，基本上笼罩了常见了分类、回归、聚类、降维、模型抉择和预处理模块。

2.sklearn源码

下图是sklearn在GitHub上的源代码，编程语言次要包含：91.4%的Python，6.5%的Cython，1.3%的C++和0.8%的Other。如下所示：

二.模型抉择和预处理

1.模型抉择
解析：网格搜寻，穿插验证
2.预处理
解析：评估指标，数据预处理

三.有监督学习模型

  能够将有监督模型分为生成式模型和判别式模型，常见的生成式模型包含奢侈贝叶斯、HMM和隐含狄利克雷调配(LDA)，其它的根本都是判别式模型。
1.线性模型
解析：线性回归，对数几率回归，LASSO回归，Ridge回归，线性判别分析(LDA)
2.${k}$近邻
3.决策树
解析：ID3，C4.5，CART
4.神经网络
解析：感知机，神经网络
5.反对向量机
解析：线性可分，近似线性可分，线性不可分
6.集成模型
(1)Boosting
解析：AdaBoost，GBDT，XGBoost，LightGBM，CatBoost
(2)Bagging
解析：随机森林

四.无监督学习模型

1.聚类
解析：$k$均值聚类，档次聚类，谱聚类
2.降维
解析：主成分剖析(PCA)，奇怪值合成(SVD)

五.概率模型

1.最大信息熵模型
2.贝叶斯概率模型
解析：奢侈贝叶斯，贝叶斯网络
3.冀望最大化(EM)算法
4.概率图模型
解析：隐马尔科夫模型(HMM)，条件随机场(CRF)
5.马尔可夫链蒙特卡洛(MCMC)

参考文献：
[1]scikit-learn：https://scikit-learn.org/stable/
[2]scikit-learn(sklearn)官网文档中文版：https://sklearn.apachecn.org/...官网文档中文版
[3]scikit-learn装置：https://scikit-learn.org/stab...
[4]scikit-learn用户指南：https://scikit-learn.org/stab...
[5]scikit-learn API参考：https://scikit-learn.org/stab...
[6]scikit-learn例子：https://scikit-learn.org/stab...
[7]scikit-learn博客：https://blog.scikit-learn.org/
[8]scikit-learn教程：https://scikit-learn.org/stab...
[9]scikit-learn FAQ：https://scikit-learn.org/stab...
[10]scikit-learn GitHub：https://github.com/scikit-lea...
[11]scikit-learn不同版本文档：https://scikit-learn.org/dev/...
[12]scikit-learn wiki：https://github.com/scikit-lea...
[13]scikit-learn版本更新日志：https://scikit-learn.org/stab...
[14]scikit-learn开发指南：https://scikit-learn.org/dev/...
[15]scikit-learn相干类库：https://scikit-learn.org/stab...
[16]Hugging Face：https://huggingface.co/
[17]《机器学习：公式推导与代码实现》

本文由mdnice多平台公布