机器学习实践实验室
初级
本课程包含大量机器学习实验，每个实验都是一个小的机器学习项目，配有详细的指导和解决方案。通过完成这些实验，你可以练习机器学习技能，提高编程能力，并学习如何编写干净高效的代码。
pythonsklearndata-science
💡 本教程由 AI 辅助翻译自英文原版。如需查看原文，您可以 切换至英文原版
- 简介
- 大纲
在聚类性能评估中考虑随机因素
分类器的概率校准
绘制因果关系解读
分类器链集成模型
使用谱聚类分割希腊硬币
Scikit - 学习列变换器
流形学习比较
使用 Scikit-Learn 的交叉验证技术
比较降维策略
高斯混合模型
使用高斯混合模型进行密度估计
高斯混合模型与正弦曲线
梯度提升回归的预测区间
梯度提升回归
使用字典学习进行图像去噪
使用 Scikit-Learn 进行归纳聚类
使用支持向量机进行鸢尾花二元分类
使用 Scikit-Learn 进行 K-Means++ 聚类
使用标签传播进行半监督学习
Scikit - 学习套索路径
线性支持向量分类器的支持向量
理解模型复杂度
使用多输出估计器完成人脸图像
使用邻域成分分析进行降维
带稀疏性的线性回归示例
普通最小二乘法与岭回归的方差
用于异常检测的单类支持向量机
使用局部依赖进行高级绘图
鸢尾花数据集上的主成分分析
绘制排列重要性
乳腺癌数据集上的排列重要性
多项式和样条插值
使用 Scikit-Learn 估计器的预测延迟
稳健线性模型估计
RBF 支持向量机参数调优
最近邻回归
Scikit - 学习岭回归示例
凸损失函数比较
加权数据集决策函数绘制
使用堆叠法组合预测器
可视化股票市场结构
支持向量机核数据分类
探索线性支持向量机参数
非线性支持向量机分类
使用 t-SNE 可视化高维数据
比较不同的类别编码器
支持向量机加权样本
使用 Scikit-Learn 进行新奇性和异常值检测
随机投影降维
使用贝叶斯岭回归进行曲线拟合
最近邻分类
使用 Python 探索 K 均值聚类
比较交叉分解方法
绘制浓度先验
使用自定义核函数的支持向量机分类
数字数据集上的交叉验证
高维数据的特征凝聚
数字数据集上的凝聚聚类
F 检验与互信息的比较
使用 KBinsDiscretizer 进行向量量化
人脸数据集分解
鸢尾花数据集上的高斯过程分类
高斯过程分类
异或数据集上的高斯过程分类
使用高斯过程进行非线性预测建模
拟合高斯过程回归模型
高斯过程回归：核
梯度提升的早期停止
盲源分离
使用快速独立成分分析（FastICA）和主成分分析（PCA）进行独立成分分析
使用 Scikit-learn 进行鸢尾花分类
鸢尾花数据集上的支持向量机分类器
简单的一维核密度估计
使用标签传播的主动学习
套索回归（Lasso）与弹性网络（Elastic Net）
判别分析分类算法
使用 Scikit-Learn 进行层次聚类
用于异常检测的局部离群因子
使用 LOF 进行异常值检测
逻辑回归模型
L1 逻辑回归的正则化路径
协方差估计器比较
稳健协方差估计与马氏距离的相关性
球形数据上的流形学习
使用多任务套索进行联合特征选择
线性回归示例
OPTICS 聚类算法
主成分分析
随机分类数据集绘图
使用 Scikit-Learn 生成多标签数据集
Python 中的稳健协方差估计
使用 SGD 应用正则化技术
使用预计算字典的稀疏编码
支持向量回归
瑞士卷与瑞士洞降维
使用 Python Scikit-Learn 进行泰尔 - 森回归
压缩感知图像重建
决策树回归
多输出决策树回归
Scikit-Learn Libsvm 图形用户界面
使用随机奇异值分解（Randomized SVD）进行维基百科页面排名
使用保序回归进行非线性回归
神经网络模型
高斯混合模型
使用 Scikit-Learn 进行流形学习
Scikit-learn 中的双聚类
将信号分解为组件
使用 Scikit-Learn 进行协方差矩阵估计
使用核密度进行密度估计
使用 Python 进行机器学习交叉验证
使用 Scikit-Learn 进行特征提取
缺失值插补
Scikit-learn 中的核近似技术
Scikit-Learn 中的成对度量和核函数
转换预测目标
提升决策树回归
亲和传播聚类
绘制凝聚聚类
凝聚聚类度量
层次聚类树形图
数据缩放与转换
使用装袋法进行偏差 - 方差分解
比较 BIRCH 和 MiniBatchKMeans
二分 K 均值与常规 K 均值性能比较
比较聚类算法
使用层次聚类进行图像分割
Scikit 学习混淆矩阵
收缩协方差估计
线性模型的交叉验证
绘制字典人脸图像块
识别手写数字
演示 KBinsDiscretizer 策略
为弹性网络预先计算 Gram 矩阵
随机森林袋外误差估计
使用并行决策树森林的像素重要性
高斯混合模型协方差
高斯混合模型选择
使用高斯过程分类进行概率预测
绘制 GPR 二氧化碳图
离散数据结构上的高斯过程
梯度提升正则化
特征哈希器与字典向量化器对比
HDBSCAN 聚类算法演示
绘制 Huber 与 Ridge 对比图
鸢尾花数据集上的增量主成分分析
鸢尾花数据集上的逻辑回归分类器
RBF 核的显式特征图近似
K 均值初始化的实证评估
标签传播学习
Scikit 学习 Lasso 回归
逻辑回归分步指南
将数据映射到正态分布
使用多维缩放可视化高维数据
均值漂移聚类算法
梯度提升的单调约束
邻域成分分析
最近质心分类
使用正交匹配追踪进行稀疏信号恢复
绘制主成分分析（PCA）与线性判别分析（LDA）对比图
用于图像分割的谱聚类
鸢尾花数据集上的半监督分类器
支持向量机：最大间隔分离超平面
用于不平衡类别的支持向量机
Scikit - 学习多类随机梯度下降分类器
绘制随机梯度下降分离超平面
稀疏逆协方差估计
物种分布建模
物种分布的核密度估计
支持向量机平局决胜
Scikit 学习弹性网络回归模型
半监督学习算法
使用 K 均值的无监督聚类
Scikit-learn 中的数据预处理技术
使用 K 均值进行颜色量化
绘制图表比较高斯过程回归与核岭回归
决策树剪枝
使用 Scikit-Learn 进行数字分类
数字数据集分析
使用 KBinsDiscretizer 对连续特征进行离散化
绘制森林直方图梯度提升比较
绘制鸢尾花数据集的森林决策面
高斯混合模型初始化方法
绘制网格搜索数字图
鸢尾花数据集上的决策树
使用隔离森林进行异常检测
使用 Scikit-Learn 进行非参数保序回归
通过随机投影探索约翰逊 - 林登施特劳斯引理
使用核主成分分析的主成分分析
绘制核岭回归
探索 K 均值聚类假设
使用轮廓系数法进行聚类分析
使用基于 L1 的模型进行稀疏信号回归
用于分类的线性判别分析
绘制多项式和一对多逻辑回归
比较 K 均值和 MiniBatchKMeans
Scikit-learn 的 MLPClassifier：随机学习策略
用于模型选择的嵌套交叉验证
非负最小二乘回归
检测葡萄酒数据中的异常值
绘制主成分分析与因子分析模型选择对比图
分类的排列检验分数
使用 Scikit-Learn 进行分位数回归
绘制随机森林回归多输出
超参数优化：随机搜索与网格搜索
递归特征消除
用于线性建模的岭回归
使用交叉验证的 ROC
基于模型和顺序的特征选择
手写数字分类的在线求解器比较
谱双聚类算法
谱共聚类算法
网格搜索与连续减半法的比较
支持向量机的正则化参数缩放
使用 NMF 和 LDA 绘制主题提取
决策树分析
绘制验证曲线
通过因子分析揭示鸢尾花数据集结构
使用投票分类器的类别概率
使用投票回归器进行糖尿病预测
带连接性约束的层次聚类
调整估计器的超参数
验证曲线：绘制分数以评估模型
局部依赖与个体条件期望
排列特征重要性
离散与真实 AdaBoost
多类 AdaBoost 决策树
AdaBoost 决策树桩分类
比较线性贝叶斯回归器
使用谱共聚类算法进行文档双聚类
缓存最近邻
三类分类的概率校准
绘制分类概率
使用交叉验证绘制预测结果
DBSCAN 聚类算法
使用核主成分分析进行图像去噪
核密度估计
使用随机森林进行特征重要性分析
梯度提升袋外估计
套索模型选择
套索回归的模型选择
绘制学习曲线
使用多层感知器分类器对手写数字进行分类
使用 GridSearchCV 优化模型超参数
使用核外学习进行文本分类
哈希特征变换
带交叉验证的递归特征消除
稳健线性估计器拟合
随机梯度下降的早停法
绘制 Sgdocsvm 与 Ocsvm 的对比图
多类稀疏逻辑回归
连续减半迭代
使用 TargetEncoder 进行分类数据转换
欠拟合与过拟合
使用 Scikit-Learn 探索集成方法
使用 Scikit-Learn 进行特征选择
评估机器学习模型质量
绘制数字管道
Scikit - 学习估计器和管道
使用树集成进行特征转换
平衡模型复杂度与交叉验证分数
文本特征提取与评估
手写数字的 K 均值聚类
多层感知器正则化
多标签文档分类
绘制 NCA 分类
使用 Scikit-Learn 算法进行离群值检测
使用 Scikit-learn 进行多类 ROC 评估
Scikit-learn 可视化 API
使用 Scikit-learn 进行多项式核近似
自训练中变化阈值的影响
MNIST 多项式逻辑回归
使用投票分类器进行鸢尾花分类
TSNE 中的近似最近邻
使用显示对象创建可视化
使用特征脸和支持向量机进行人脸识别
单变量特征选择
使用 Scikit-learn 构建机器学习管道
连接多种特征提取方法
带有分类特征的梯度提升
用于衡量分类性能的类别似然比
插补缺失数据
绘制主成分回归（PCR）与偏最小二乘回归（PLS）对比图
鸢尾花数据集上支持向量分类器的特征选择
线性回归中的目标变换
多类和多输出算法
异常检测算法比较
概率校准曲线
分类器校准比较
使用管道和网格搜索交叉验证进行降维
检测错误权衡曲线
不平衡分类中的精确率 - 召回率指标
混合类型的列变换器
使用 RBM 特征进行数字分类
半监督文本分类
使用 Set_output API
用于分类的特征离散化
文本文档分类
Scikit-Learn 迭代插补器
手写数字的流形学习
构建 Scikit-Learn 管道
机器学习中的特征缩放
管道和复合估计器
Scikit - 学习分类器比较
教师
Labby
Labby is the LabEx teacher.
分享到 Google Classroom
加入我们的 Discord 一起学习
立即加入用户评论
" regret why i knew this late, but as they say better late than never"
— Danny Mwangela
" thats so good leaning method its opened my mind on somethings i didnt know or tried before < . _></. >"
— phykwes
为您推荐
