Sklearn 实践实验室

Name: Sklearn 实践实验室
Author: Labby

本课程包含大量 Sklearn 实验，每个实验都是一个小的 Sklearn 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 Sklearn 技能，提高编程能力，并学习如何编写简洁高效的代码。

Python数据科学

💡 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

大纲

Scikit - 学习分类器比较

文本文档分类

用于分类的特征离散化

管道和复合估计器

机器学习中的特征缩放

构建 Scikit-Learn 管道

Scikit-Learn 迭代插补器

手写数字的流形学习

使用 RBM 特征进行数字分类

混合类型的列变换器

使用 Set_output API

半监督文本分类

分类器校准比较

检测错误权衡曲线

使用管道和网格搜索交叉验证进行降维

概率校准曲线

异常检测算法比较

不平衡分类中的精确率 - 召回率指标

单变量特征选择

鸢尾花数据集上支持向量分类器的特征选择

TSNE 中的近似最近邻

使用显示对象创建可视化

线性回归中的目标变换

带有分类特征的梯度提升

使用 Scikit-learn 构建机器学习管道

使用特征脸和支持向量机进行人脸识别

连接多种特征提取方法

用于衡量分类性能的类别似然比

绘制主成分回归（PCR）与偏最小二乘回归（PLS）对比图

多类和多输出算法

插补缺失数据

MNIST 多项式逻辑回归

使用 Scikit-Learn 算法进行离群值检测

使用 Scikit-learn 进行多类 ROC 评估

文本特征提取与评估

使用树集成进行特征转换

多层感知器正则化

手写数字的 K 均值聚类

使用 Scikit-learn 进行多项式核近似

Scikit-learn 可视化 API

使用投票分类器进行鸢尾花分类

绘制 NCA 分类

绘制数字管道

Scikit - 学习估计器和管道

平衡模型复杂度与交叉验证分数

自训练中变化阈值的影响

多标签文档分类

使用核外学习进行文本分类

比较线性贝叶斯回归器

套索模型选择

套索回归的模型选择

带交叉验证的递归特征消除

使用 Scikit-Learn 进行特征选择

DBSCAN 聚类算法

使用谱共聚类算法进行文档双聚类

使用 Scikit-Learn 探索集成方法

多类 AdaBoost 决策树

绘制学习曲线

使用 TargetEncoder 进行分类数据转换

欠拟合与过拟合

AdaBoost 决策树桩分类

使用交叉验证绘制预测结果

稳健线性估计器拟合

评估机器学习模型质量

缓存最近邻

使用 GridSearchCV 优化模型超参数

梯度提升袋外估计

使用核主成分分析进行图像去噪

哈希特征变换

绘制分类概率

三类分类的概率校准

使用随机森林进行特征重要性分析

离散与真实 AdaBoost

核密度估计

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

使用多层感知器分类器对手写数字进行分类

使用 K 均值进行颜色量化

基于模型和顺序的特征选择

使用 KBinsDiscretizer 对连续特征进行离散化

递归特征消除

使用投票回归器进行糖尿病预测

绘制鸢尾花数据集的森林决策面

带连接性约束的层次聚类

超参数优化：随机搜索与网格搜索

验证曲线：绘制分数以评估模型

决策树剪枝

用于线性建模的岭回归

手写数字分类的在线求解器比较

决策树分析

使用投票分类器的类别概率

绘制森林直方图梯度提升比较

使用轮廓系数法进行聚类分析

绘制多项式和一对多逻辑回归

比较 K 均值和 MiniBatchKMeans

谱双聚类算法

谱共聚类算法

排列特征重要性

鸢尾花数据集上的决策树

用于模型选择的嵌套交叉验证

分类的排列检验分数

支持向量机的正则化参数缩放

绘制验证曲线

调整估计器的超参数

使用 Scikit-Learn 进行数字分类

通过因子分析揭示鸢尾花数据集结构

使用 NMF 和 LDA 绘制主题提取

高斯混合模型初始化方法

局部依赖与个体条件期望

使用交叉验证的 ROC

使用 Scikit-Learn 进行非参数保序回归

使用基于 L1 的模型进行稀疏信号回归

非负最小二乘回归

使用 Scikit-Learn 进行分位数回归

检测葡萄酒数据中的异常值

探索 K 均值聚类假设

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

数字数据集分析

绘制网格搜索数字图

使用隔离森林进行异常检测

绘制图表比较高斯过程回归与核岭回归

Scikit-learn 的 MLPClassifier：随机学习策略

用于分类的线性判别分析

绘制核岭回归

绘制随机森林回归多输出

网格搜索与连续减半法的比较

绘制主成分分析与因子分析模型选择对比图

物种分布建模

数据缩放与转换

演示 KBinsDiscretizer 策略

特征哈希器与字典向量化器对比

为弹性网络预先计算 Gram 矩阵

绘制 Huber 与 Ridge 对比图

Scikit 学习 Lasso 回归

使用正交匹配追踪进行稀疏信号恢复

绘制随机梯度下降分离超平面

逻辑回归分步指南

K 均值初始化的实证评估

邻域成分分析

物种分布的核密度估计

亲和传播聚类

层次聚类树形图

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

HDBSCAN 聚类算法演示

均值漂移聚类算法

使用 K 均值的无监督聚类

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

使用层次聚类进行图像分割

绘制字典人脸图像块

离散数据结构上的高斯过程

用于图像分割的谱聚类

支持向量机平局决胜

绘制 GPR 二氧化碳图

提升决策树回归

使用装袋法进行偏差 - 方差分解

Scikit 学习弹性网络回归模型

绘制凝聚聚类

将数据映射到正态分布

线性模型的交叉验证

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-learn 中的数据预处理技术

凝聚聚类度量

鸢尾花数据集上的逻辑回归分类器

Scikit - 学习多类随机梯度下降分类器

鸢尾花数据集上的增量主成分分析

稀疏逆协方差估计

使用高斯过程分类进行概率预测

梯度提升的单调约束

Scikit 学习混淆矩阵

识别手写数字

梯度提升正则化

标签传播学习

半监督学习算法

非线性数据回归技术

比特币价格预测

收缩协方差估计

使用多维缩放可视化高维数据

高斯混合模型协方差

高斯混合模型选择

鸢尾花数据集上的半监督分类器

RBF 核的显式特征图近似

绘制主成分分析（PCA）与线性判别分析（LDA）对比图

球形数据上的流形学习

人脸数据集分解

随机分类数据集绘图

使用 Scikit-Learn 生成多标签数据集

瑞士卷与瑞士洞降维

Scikit-Learn Libsvm 图形用户界面

使用 KBinsDiscretizer 进行向量量化

使用 Scikit-Learn 进行层次聚类

转换预测目标

高维数据的特征凝聚

使用 Scikit-Learn 进行特征提取

F 检验与互信息的比较

使用贝叶斯岭回归进行曲线拟合

套索回归（Lasso）与弹性网络（Elastic Net）

逻辑回归模型

使用多任务套索进行联合特征选择

使用 SGD 应用正则化技术

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

简单的一维核密度估计

用于异常检测的局部离群因子

使用 LOF 进行异常值检测

使用核密度进行密度估计

使用 Python 探索 K 均值聚类

数字数据集上的凝聚聚类

OPTICS 聚类算法

Scikit-learn 中的双聚类

L1 逻辑回归的正则化路径

支持向量回归

基于质心的聚类

神经网络模型

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

谱聚类及其他聚类方法

非线性模式识别技术

使用交叉验证快速选择模型

数字数据集上的交叉验证

梯度提升的早期停止

使用 Python 进行机器学习交叉验证

线性回归示例

Scikit-Learn 中的成对度量和核函数

比较交叉分解方法

使用自定义核函数的支持向量机分类

鸢尾花数据集上的支持向量机分类器

缺失值插补

使用 Python 进行决策树分类

Scikit-learn 中的核近似技术

使用朴素贝叶斯进行概率分类

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

主成分分析

使用预计算字典的稀疏编码

使用随机奇异值分解（Randomized SVD）进行维基百科页面排名

将信号分解为组件

协方差估计器比较

稳健协方差估计与马氏距离的相关性

Python 中的稳健协方差估计

使用 Scikit-Learn 进行协方差矩阵估计

使用 Scikit-Learn 进行流形学习

判别分析分类算法

绘制浓度先验

高斯混合模型

使用保序回归进行非线性回归

使用标签传播的主动学习

Bagging 和 Boosting 方法

用于聚类的层次聚类探索

TensorFlow 指南

使用 TensorFlow 2 实现浅层神经网络

TensorFlow 2 模型保存与恢复

训练手写数字识别神经网络

岭回归系数的计算

线性回归基础

使用 Scikit-Learn 进行逻辑回归分类

北京房价预测

基于密度的聚类

使用 Mini Batch K Means 进行图像压缩

基于密度的聚类算法应用

K 近邻算法

岭回归（Ridge Regression）和 LASSO 回归

汽车安全评估数据集分类

感知机与人工神经网络

简介

本 Sklearn 实践实验课程旨在帮助你掌握流行的机器学习库 Scikit-learn（Sklearn）的实际应用。通过一系列精心设计的实验，你将有机会将 Sklearn 知识应用于实际项目，提升编程技能，并学习编写简洁高效的代码。

🎯 任务

在本课程中，你将学习：

如何实现多种 Sklearn 算法，包括分类、回归、聚类和降维技术
如何为 Sklearn 模型预处理和准备数据
如何调整模型超参数并评估模型性能
如何应用 Sklearn 解决图像识别、自然语言处理和预测分析等领域的实际问题

🏆 成就

完成本课程后，你将能够：

自信地应用 Sklearn 解决各种机器学习问题
深入理解 Sklearn 的核心功能和最佳实践
通过精心设计的动手 Sklearn 项目提升编程技能
熟练编写简洁、高效且易于维护的基于 Sklearn 的代码

教师

Labby

Labby is the LabEx teacher.

为您推荐