示例

示例

英文地址: https://scikit-learn.org/stable/auto_examples/index.html

其他示例

scikit-learn 的 Miscellaneous 和入门示例。


紧凑的估计表示	带有可视化API的ROC曲线	序回归	先进的绘图具有部分依赖
使用多输出估计器完成人脸	多标签分类	比较异常检测算法以对玩具数据集进行异常检测	具有随机投影嵌入的Johnson-Lindenstrauss边界
内核岭回归和SVR的比较	RBF内核的显式特征图逼近

双聚类

有关sklearn.cluster.bicluster模块的示例。


频谱共聚算法演示	频谱双聚类算法的演示	使用频谱共聚算法对文档进行聚合

校准

举例说明了对分类器的预测概率进行校准的示例。


分类器校准的比较	概率校准曲线	分类器的概率校准	3级分类的概率校准

分类

有关分类算法的一般示例。


分类法线和收缩线线性判别分析	识别手写数字	情节分类概率	分类器比较
线性和二次判别分析与协方差椭球

多聚类

有关sklearn.cluster模块的示例。


绘制层次聚类树状图	功能集聚	均值漂移聚类算法的演示	的k均值假设示范
在线学习面部表情字典	矢量量化示例	相似性传播聚类算法演示	有和没有结构的聚集聚类
分割区域中希腊硬币的图片	二维数字嵌入中的各种聚集聚类	K-means聚类	光谱聚类用于图像分割
硬币图像上的结构化Ward层次聚类演示	DBSCAN聚类算法演示	使用K均值的颜色量化	分层聚类：结构化与非结构化病房
具有不同指标的聚集集群	归纳聚类	OPTICS聚类算法演示	比较桦木和MiniBatchKMeans
k均值初始化影响的实证评估	集群绩效评估中机会的调整	K-Means和MiniBatchKMeans聚类算法的比较	特征集聚与单变量选择
手写数字数据上的K-Means聚类演示	比较玩具数据集上的不同层次链接方法	在KMeans聚类上通过轮廓分析选择聚类数量	比较玩具数据集上的不同聚类算法

协方差估计

有关sklearn.covariance模块的示例。


Ledoit-Wolf与OAS估计	稀疏逆协方差估计	收缩协方差估计：LedoitWolf与OAS和最大似然性	健壮的协方差估计和马氏距离相关性
乐百氏VS实证协方差估计

交叉分解

有关sklearn.cross_decomposition模块的示例。


比较交叉分解方法

数据集示例

有关sklearn.datasets模块的示例。


Digit数据集	虹膜数据集	绘制随机生成的分类数据集	绘制随机生成的多标签数据集

决策树

有关sklearn.tree模块的示例。


决策树回归	多路输出决策树回归	在虹膜数据集上绘制决策树的决策面	使用成本复杂度修剪来修剪修剪决策树
了解决策树结构

分解

有关sklearn.decomposition模块的示例。


β-发散损失函数	具有虹膜数据集的PCA示例	增量	Iris数据集的LDA和PCA二维投影的比较
使用FastICA进行盲源分离	主成分分析（PCA）	2D点云上的	内核
概率PCA和因子分析（FA）进行模型选择	使用预先计算的字典进行稀疏编码	图片使用字典学习去噪	Faces数据集分解

集成方法

有关sklearn.ensemble模块的示例。


并行树木森林的像素重要性	使用AdaBoost进行决策树回归	绘制个人和投票回归预测	树木森林的功能重要性
IsolationForest示例	绘制VotingClassifier的决策边界	比较随机森林和多输出元估计器	梯度提升回归的预测间隔
梯度提升正则化	绘制由VotingClassifier计算的类概率	梯度推进回归	随机森林的OOB错误
两个级的AdaBoost	使用完全随机树的哈希特征转换	多类AdaBoosted决策树	离散相对真正的AdaBoost
使用堆叠组合预测	提前终止的梯度推进	带有树群的特征变换	梯度提升袋外估计
单一估计器与装袋：偏差方差分解	在虹膜数据集上绘制树木合奏的决策面

基于真实数据集的示例

具有一些中等大小的数据集或交互式用户界面的现实问题的应用程序。


真实数据集的异常值检测	压缩感测：使用L1先验（Lasso）进行层析成像重建	非负矩阵分解和隐含狄利克雷分布话题提取	使用特征脸和支持向量机的识别示例
模型复杂度影响	可视化的股市结构	维基百科的主要特征向量	物种分布建模
Libsvm	预测延迟	文本文档的核心分类

特征选择

有关sklearn.feature_selection模块的示例。


递归特征消除	F检验和相互信息的比较	管道Anova	通过交叉验证消除递归特征
使用SelectFromModel和LassoCV特征选择	与排列测试的分类评分的意义	单变量特征选择

高斯混合模型

有关sklearn.mixture模块的示例。


高斯混合的密度估计	高斯混合模型椭球	高斯混合模型选择	GMM协方差
高斯混合模型正弦曲线	贝叶斯高斯混合变量的浓度先验类型分析

高斯机器学习过程

有关sklearn.gaussian_process模块的示例。


XOR数据集上的高斯过程分类（GPC）的图示	虹膜数据集上的高斯过程分类（GPC）	核岭和高斯过程回归的比较	不同内核的先验和后验高斯过程的图示
高斯过程分类（GPC）的等概率线	概率预测的结果与高斯过程分类（GPC）	具有噪声水平估计的高斯过程回归（GPR）	高斯过程回归：基本入门示例
基于Mauna Loa CO2数据的高斯过程回归（GPR）。	离散数据结构上的高斯过程

广义线性模型

有关sklearn.linear_model模块的示例。


使用LARS的套索路径	绘制岭系数作为正则化的函数	SGD：最大余量分隔超平面	SGD：凸损失函数
普通最小二乘法和岭回归方差	绘制Ridge系数作为L2正则化的函数	SGD：罚款	多项式插值
物流功能	L1-Logistic回归的正规化道路	Logistic回归3类分类器	SGD：加权样本
线性回归示例	使用RANSAC进行稳健的线性模型估计	稀疏实施例：装修仅设有1和2	HuberRegressor VS岭集具有较强的异常
套索上密集和稀疏数据	比较各种在线求解器	多任务套索的联合特征选择	使用多项式逻辑+ L1的MNIST分类	在虹膜数据集上绘制多类
正交匹配追踪	套索和弹性网用于稀疏信号	贝叶斯岭回归的曲线拟合	Theil-Sen回归
绘制多项式和一对一静态Logistic回归	稳健的线性估计器拟合	Logistic回归中的L1惩罚和稀疏性	套索和弹性网络
自动相关性确定回归（ARD）	贝叶斯岭回归	20newgroups上的多类稀疏逻辑回归	套索模型选择：交叉验证/ AIC /
早期停止随机梯度下降的

检查

与sklearn.inspection模块有关的示例。


具有多重共线性或相关特征的置换重要性	排列重要性与随机森林特征重要性（MDI）	部分依赖图

流形学习

有关sklearn.manifold模块的示例。


使用LLE减少瑞士卷	流形学习方法的比较	多维缩放	叔SNE：各种困惑值对形状的影响
截断球面上的流形学习方法	手写数字流形学习：局部线性嵌入，Isomap…

缺失值插补

有关sklearn.impute模块的示例。


使用IterativeImputer的变体估算缺失值	在构建估算器之前估算缺失值

选型

与sklearn.model_selection模块有关的示例。


绘制交叉验证的预测	混淆矩阵	绘图验证曲线	拟合不足与拟合过度
使用带有交叉验证的网格搜索进行参数估计	对于比较估计超参数随机搜索和网格搜索	训练错误与测试错误	具有交叉验证的接收器操作特性（ROC）
嵌套与非嵌套交叉验证	在cross_val_score和GridSearchCV上进行多指标评估的演示	用于文本特征提取和评估的示例管道	平衡模型的复杂性和交叉验证的分数
在scikit-learn中可视化交叉验证行为	接收器工作特性（ROC）	精密召回	绘制学习曲线

多输出方法

有关sklearn.multioutput模块的示例。


分类器链


最近邻居回归	使用局部离群因子（LOF）进行离群检测	最近邻居分类	最近质心分类
核密度估计	缓存最近的邻居	邻域成分分析图	具有局部异常值（LOF）的新颖性检测
比较具有和不具有邻域分量分析的最近邻域	使用邻域分量分析进行维	物种分布的核密度估计	简单的1D内核密度估计
TSNE中的近似最近邻居

神经网络

有关sklearn.neural_network模块的示例。


在MNIST上可视化MLP权重	用于数字分类的受限玻尔兹曼机功能	在多层感知变化正规化	比较随机学习策略MLPClassifier

管道和复合估计器

由其他估算器组成变压器和管道的示例。请参阅《用户指南》。


连结多个特征提取方法	流水线：链接PCA和逻辑回归	混合类型的列转换器	使用Pipeline和GridSearchCV选择降维
具有异构数据源的列转换器	在回归模型中转换目标的效果

预处理

有关sklearn.preprocessing模块的示例。


使用FunctionTransformer选择列	使用KBinsDiscretizer离散化连续特征	演示KBinsDiscretizer的不同策略	特征缩放的重要性
地图数据正态分布	功能离散	比较不同缩放器对数据与异常值的影响

发布要点

这些示例说明了scikit-learn发行版的主要功能。


scikit-learn 0.22的发行要点

半监督分类

有关sklearn.semi_supervised模块的示例。


Iris数据集上标签传播与SVM的决策边界	标签传播学习复杂的结构	标签传播数字：演示性能	标签传播数字主动学习

支持向量机

有关sklearn.svm模块的示例。


非线性	SVM：最大余量分隔超平面	具有自定义内核的	在LinearSVC中绘制支持向量
SVM中断示例	SVM：加权样本	SVM：为不平衡的类分离超平面	SVM内核
SVM-Anova：具有单变量特征选择的	使用线性和非线性内核支持向量回归（SVR）	SVM保证金示例	具有非线性内核（RBF）的一类
在虹膜数据集中绘制不同的SVM分类器	扩展SVC的正则化参数	RBF SVM参数