Skip to main content
Ctrl+K
scikit-learn homepage
  • 安装
  • 用户指南
  • API
  • 示例
  • 社区
    • 入门
    • 解除历史记录
    • 术语表
    • 发展
    • FAQ
    • 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
    • 解除历史记录
    • 术语表
    • 发展
    • FAQ
    • 支持
    • 相关项目
    • 路线图
    • 治理
    • 关于我们
  • GitHub

Section Navigation

  • 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 1.1的发布亮点
    • scikit-learn 1.0的发布亮点
    • scikit-learn 0.24发布亮点
    • scikit-learn 0.23的发布亮点
  • 双聚类
    • 光谱双集群算法的演示
    • 光谱协同聚集算法的演示
    • 使用谱协同集群算法对文档进行二集群
  • 校准
    • 分类器校准的比较
    • 概率校准曲线
    • 分类器的概率校准
  • 分类
    • 分类器比较
    • 具有协方差椭圆体的线性和二次鉴别分析
    • 用于分类的正态、Ledoit-Wolf和OAS线性鉴别分析
    • 识别手写数字
  • 聚类
    • 手写数字数据上的K-Means集群演示
    • 硬币图像上的结构化Ward分层集群演示
    • 均值漂移集群算法的演示
    • 集群绩效评估中的机会调整
    • 有结构和不有结构的集聚
    • 具有不同指标的聚集性集群
    • K-Means++初始化的示例
    • 二分K均值和常规K均值性能比较
    • 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集群算法的比较
    • DBSCAN集群算法演示
    • HDSCAN集群算法演示
    • OPTICS分簇算法演示
    • 亲和力传播分簇算法演示
    • k均值假设的证明
    • k均值初始化影响的实证评估
    • 特征聚集
    • 特征聚集与单变量选择
    • 分层集群:结构化与非结构化病房
    • 归纳集群
    • 在线学习面部部分词典
    • 图分层聚集树图
    • 按地区划分希腊硬币的图片
    • 在KMeans聚类中使用轮廓分析选择聚类数
    • 用于图像分割的光谱集群
    • 2D数字嵌入上的各种聚集性聚集
    • 载体量化示例
  • 协方差估计
    • Ledoit-Wolf与OAS估计
    • 稳健协方差估计和Mahalanobis距离相关性
    • 稳健与经验协方差估计
    • 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
    • 主成分回归与偏最小平方回归
  • 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
    • 绘制在虹膜数据集上训练的决策树的决策面
    • 具有成本复杂性修剪的后修剪决策树
    • 了解决策树结构
  • 分解
    • 使用FastICA的盲源分离
    • Iris数据集LDA和PCA 2D投影的比较
    • Faces数据集分解
    • 因子分析(旋转)以可视化模式
    • 2D点云上的FastICA
    • 使用字典学习的图像去噪
    • 增量PCA
    • 核PCA
    • 使用概率PCA和因子分析(FA)进行模型选择
    • Iris数据集的主成分分析(PCA)
    • 使用预先计算的字典进行稀疏编码
  • 开发估算器
    • __sklearn_is_fitted__ 作为开发人员API
  • 集成方法
    • 梯度提升中的分类特征支持
    • 使用堆叠组合预测因子
    • 比较随机森林和柱状图梯度增强模型
    • 比较随机森林和多输出Meta估计量
    • 使用AdaBoost进行决策树回归
    • Gradient Boosting中的提前停止
    • 树木森林的重要性
    • 使用树木集合的特征转换
    • 梯度增强树的梯度中的功能
    • 梯度提升袋外估计
    • 梯度增强回归
    • 梯度提升正规化
    • 使用完全随机树哈希特征转换
    • 隔离森林示例
    • 单调约束
    • 多类AdaBoosted决策树
    • 随机森林的OOB错误
    • 绘制个人和投票回归预测图
    • 在虹膜数据集中绘制树木集合的决策面
    • 梯度Boosting回归的预测区间
    • 单一估计量与装袋:偏差方差分解
    • 两级AdaBoost
    • 可视化VotingClassifier的概率预测
  • 基于现实世界数据集的示例
    • 压缩感知:使用L1先验进行断层扫描重建(Lasso)
    • 使用特征脸和SVM的人脸识别示例
    • 基于核主成分分析的图像去噪
    • 时间序列预测的滞后特征
    • 模型复杂性影响
    • 真实数据集上的离群值检测
    • 预测延迟
    • 物种分布建模
    • 与时间相关的特征工程
    • 非负矩阵分解和潜在Dirichlet分配的主题提取
    • 股票市场结构可视化
    • 维基百科主特征量
  • 特征选择
    • F检验与互信息的比较
    • 基于模型的顺序特征选择
    • 流水线ANOVA SVM
    • 递归特征消除
    • 单变量特征选择
  • 冻结的估计者
    • 例子利用 FrozenEstimator
  • 高斯混合模型
    • 变异Bayesian高斯混合物的浓度先验型分析
    • 高斯混合物的密度估计
    • GMM检查方法
    • GMM协方差
    • 高斯混合模型椭圆体
    • 高斯混合模型选择
    • 高斯混合模型顺曲线
  • 机器学习的高斯过程
    • 高斯过程回归(GPT)估计数据噪音水平的能力
    • 核岭回归与高斯过程回归的比较
    • 使用高斯过程回归(GPT)预测Mona Loa数据集的二氧化碳水平
    • 高斯过程回归:基本入门示例
    • 虹膜数据集上的高斯过程分类(GSK)
    • 离散数据结构上的高斯过程
    • 异或数据集上的高斯过程分类(GSK)插图
    • 不同核的先验和后验高斯过程的说明
    • 高斯过程分类(GSK)的等概率线
    • 利用高斯过程分类(GSK)进行概率预测
  • 广义线性模型
    • 比较线性Bayesian回归量
    • 利用Bayesian Ridge回归进行曲线匹配
    • 多项和一对二回归的决策边界
    • 随机梯度下降的早停止
    • 使用预先计算的格拉姆矩阵和加权样本来匹配弹性网络
    • HuberRegressor与Ridge在具有强异常值的数据集上
    • 使用多任务Lasso进行联合特征选择
    • 逻辑回归中的L1罚分和稀疏性
    • 基于L1的稀疏信号模型
    • 通过信息标准选择Lasso模型
    • Lasso型号选择:AIC-BIC /交叉验证
    • 密集和稀疏数据上的套索
    • Lasso、Lasso-LARS和Elastic Net路径
    • 逻辑函数
    • 使用多项逻辑+ L1的MNIST分类
    • 20个新群体的多类稀疏逻辑回归
    • 非负最小平方
    • 使用随机梯度下降的一类支持者与一类支持者
    • 普通最小二乘和岭回归
    • 正交匹配追踪
    • 绘制岭系数作为正规化的函数
    • 在iris数据集上绘制多类新元
    • 多项和样条插值
    • 分位数回归
    • L1-逻辑回归的正规化路径
    • 作为L2正则化函数的脊系数
    • 鲁棒线性估计量匹配
    • 使用RASAC的鲁棒线性模型估计
    • 新元:分离超平面的最大裕度
    • 新元:处罚
    • 新元:加权样本
    • 新元:凸损失函数
    • Theil-Sen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
    • 排列重要性与随机森林特征重要性(Millennium)
    • 具有多重共线或相关特征的排列重要性
  • 核近似
    • 具有多项核逼近的可扩展学习
  • 流形学习
    • 多种学习方法的比较
    • 分割球面上的流形学习方法
    • 手写数字的流形学习:局部线性嵌入,Isomap...
    • 多维标度
    • 瑞士滚动和瑞士洞减少
    • t-SNE:各种困惑度值对形状的影响
  • 杂项
    • 部分相关的高级绘图
    • 比较玩具数据集异常值检测的异常检测算法
    • 核岭回归与SVR的比较
    • 管道
    • NPS估计器和复杂管道
    • 基于RBS核的显式特征图逼近
    • 使用多输出估计器完成面
    • 介绍 set_output API
    • 保序回归
    • 元数据路由
    • 多标签分类
    • 随机投影嵌入的Johnson-Lindenstrauss界
    • 具有显示对象的可视化
  • 缺失值插补
    • 在构建估计器之前输入缺失值
    • 使用IterativeImputer的变体输入缺失值
  • 模型选择
    • 平衡模型复杂性和交叉验证分数
    • 比较随机搜索和网格搜索用于超参数估计
    • 网格搜索和连续减半的比较
    • 混淆矩阵
    • 具有交叉验证的网格搜索自定义改装策略
    • 基于cross_val_score和GridSearchCV的多度量评估演示
    • 模型正规化对训练和测试误差的影响
    • 嵌套与非嵌套交叉验证
    • 绘制交叉验证预测
    • 绘制学习曲线并检查模型的可扩展性
    • 事后调整决策函数的截止点
    • pr曲线
    • 具有交叉验证的接收器工作特性(ROC)
    • 用于文本特征提取和评估的样本管道
    • 使用网格搜索进行模型统计比较
    • 连续减半迭代
    • 用排列测试分类分数的重要性
    • 不足与过度贴合
    • 在scikit-learn中可视化交叉验证行为
  • 多类方法
    • 多类训练元估计器概述
  • 多输出方法
    • 使用分类器链的多标签分类
  • 最近邻居
    • TSNE的大约最近邻居
    • 缓存最近的邻居
    • 比较使用和不使用邻居成分分析的最近邻居
    • 利用邻居成分分析降低维度
    • 物种分布的核密度估计
    • 核密度估计
    • 最近的重心分类
    • 最近邻分类
    • 最近邻回归
    • 邻里要素分析插图
    • 利用本地异常值因子(LOF)进行新颖性检测
    • 使用局部离群因子(LOF)进行离群点检测
    • 简单的1D核密度估计
  • 神经网络
    • 比较MLP分类器的随机学习策略
    • 数字分类的受限制Boltzmann Machine功能
    • 多层感知器中的变化规则化
    • MNIST上MLP权重的可视化
  • 管道和复合估计量
    • 具有异类数据源的列Transformer
    • 混合类型的列Transformer
    • 级联多种特征提取方法
    • 回归模型中目标转换的效果
    • 流水线:链接PCA和逻辑回归
    • 使用Pipeline和GridSearchCV选择降维
  • 预处理
    • 比较不同缩放器对数据的影响与离群值
    • 比较目标编码器与其他编码器
    • 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
  • 半监督分类
    • Iris数据集上半监督分类器与支持机的决策边界
    • 不同阈值对自我训练的影响
    • 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:展示性能
    • 文本数据集的半监督分类
  • 支持向量机
    • 带非线性核(RBS)的一类支持者
    • 具有不同支持机核的地块分类边界
    • 在虹膜数据集中绘制不同的支持者分类器
    • 在LinearSRC中绘制支持载体
    • RBF SVM参数
    • 支持机边缘示例
    • SV打破平局示例
    • 具有自定义内核的支持者
    • SVM-Anova:具有单变量特征选择的支持者
    • SV:最大裕度分离超平面
    • 支持者:分离不平衡类别的超平面
    • 支持者:加权样本
    • 缩放SVCs的正规化参数
    • 使用线性和非线性核的支持量回归(SVR)
  • 使用文本文档
    • 使用稀疏特征对文本文档进行分类
    • 基于k-means的文本聚类
    • 收件箱Hasher和DictVectorizer比较
  • 示例
  • 多输出方法

多输出方法#

有关的例子 sklearn.multioutput module.

使用分类器链的多标签分类

Multilabel classification using a classifier chain

上一页

多类训练元估计器概述

下一页

使用分类器链的多标签分类

© Copyright 2007 - 2025, scikit-learn developers (BSD License).