sklearn整理

机器学习分类

• 监督学习：K邻近算法、线性回归、逻辑回归、支持向量机、决策树、随机森林、神经网络
• 无监督学习：
  • 聚类：K-聚类、Hierarchical Cluster Analysis(HCA)、Expectation Maximization(EM)
  • 降维：主成分分析(Principal Component Analysis, PCA)、kernel PCA、Locally-Linear Embedding(LLE)、
  • 关联规则学习：Aprior、Eclat
• 在线学习、离线学习
• 模型学习、样例学习
• 强化学习
• 半监督学习

数据准备(preprocessing)

• Feature Scaling
  • from sklearn.preprocessing import StandardScaler：标准化，将特征值减去均值再除以标准差，一般会把train和test集放在一起做标准化，实际应用中，需要做特征标准化的常见情景：SVM
  • from sklearn.preprocessing import MinMaxScaler：最小-最大规范化对原始数据进行线性变换，变换到[0,1]区间（也可以是其他固定最小最大值的区间）
  • from sklearn.preprocessing import normalize：规范化是将不同变化范围的值映射到相同的固定范围，常见的是[0,1]，此时也称为归一化。《机器学习》周志华

分类问题

• 
  

回归问题

• 线性回归
  • from sklearn.linear_model import LinearRegressor
• 决策树
  • from sklearn.tree import DecisionTreeRegressor