1. 监督学习

• 1.1. 线性模型
  • 1.1.1. 普通最小二乘
  • 1.1.2. 岭回归与分类
  • 1.1.3. Lasso
  • 1.1.4. 多任务套索
  • 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套索
  • 1.1.9. 垂直匹配追求（OMP）
  • 1.1.10. 贝叶斯回归
  • 1.1.11. Logistic回归
  • 1.1.12. 广义线性模型
  • 1.1.13. 随机梯度下降-新加坡元
  • 1.1.14. 感知器
  • 1.1.15. 被动攻击算法
  • 1.1.16. 稳健性回归：异常值和建模错误
  • 1.1.17. 分位数回归
  • 1.1.18. 多元回归：用基函数扩展线性模型
• 1.2. 线性和二次鉴别分析
  • 1.2.1. 使用线性鉴别分析降低模糊性
  • 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
  • 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、新奇检测
  • 1.4.4. 复杂性
  • 1.4.5. 实际使用技巧
  • 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. 在线一类支持者
  • 1.5.4. 稀疏数据的随机梯度下降
  • 1.5.5. 复杂性
  • 1.5.6. 停止标准
  • 1.5.7. 实际使用技巧
  • 1.5.8. 数学公式
  • 1.5.9. 实现细节
• 1.6. 最近邻居
  • 1.6.1. 无人监督的最近邻居
  • 1.6.2. 最近邻分类
  • 1.6.3. 最近邻居回归
  • 1.6.4. 最近邻居算法
  • 1.6.5. 最近的重心分类器
  • 1.6.6. 最近邻Transformer
  • 1.6.7. 邻里要素分析
• 1.7. 高斯过程
  • 1.7.1. 高斯过程回归（GPT）
  • 1.7.2. 高斯过程分类（GSK）
  • 1.7.3. 凝胶渗透控制示例
  • 1.7.4. 高斯过程的核
• 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. 高斯天真的Bayes
  • 1.9.2. 多项式朴素贝叶斯
  • 1.9.3. 补充天真的Bayes
  • 1.9.4. 伯努里天真的贝耶斯
  • 1.9.5. 绝对天真的Bayes
  • 1.9.6. 核心外天真的Bayes模型匹配
• 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. 复杂性
  • 1.10.5. 实际使用技巧
  • 1.10.6. 树算法：ID 3、C4.5、C5.0和CART
  • 1.10.7. 数学公式
  • 1.10.8. 缺失的价值观支持
  • 1.10.9. 最小成本复杂性修剪
• 1.11. 合奏：梯度提升、随机森林、装袋、投票、堆叠
  • 1.11.1. 受影响的树木
  • 1.11.2. 随机森林和其他随机树木群落
  • 1.11.3. 装袋元估计器
  • 1.11.4. 投票分类器
  • 1.11.5. 投票回归者
  • 1.11.6. 堆叠概括
  • 1.11.7. AdaBoost
• 1.12. 多类和多输出算法
  • 1.12.1. 多类分类
  • 1.12.2. 多标签分类
  • 1.12.3. 多类多输出分类
  • 1.12.4. 多输出回归
• 1.13. 特征选择
  • 1.13.1. 删除低方差的功能
  • 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选择特征
  • 1.13.5. 顺序特征选择
  • 1.13.6. 作为管道一部分的要素选择
• 1.14. 半监督学习
  • 1.14.1. 自我培训
  • 1.14.2. 标签传播
• 1.15. 保序回归
• 1.16. 概率定标
  • 1.16.1. 校准曲线
  • 1.16.2. 校准分类器
  • 1.16.3. 使用
• 1.17. 神经网络模型（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. 复杂性
  • 1.17.7. 实际使用技巧
  • 1.17.8. 使用warm_start提供更多控制