科学数据处理中的统计学习技术指南

统计学习

随着实验数据规模的迅速增长，机器学习成为了一种越来越重要的技术。 它解决的问题包括：从不同的观测数据实现对应的预测函数、对观测数据进行分类、以及从未标记的数据集中学习到相关统计信息。

本教程将使用机器学习技术在现有的数据集中进行统计推断，从而去学习统计学习相关技术的使用。

Scikit learn是一个Python模块，它通过一系列Python包（NumPy、SciPy、matplotlib）实现了众多经典的机器学习算法。

• 统计学习：scikit-learn中的相关设置与估计器对象
  • 数据集
  • 估计器对象
• 有监督的学习：从高维度的观测数据中预测一个输出变量
  • 最近邻分类器(knn)和维度灾难
  • 线性模型：从回归到稀疏数据的处理
  • 支持向量机 (SVMs)
• 模型选择: 选择估计器及其参数
  • 评估和交叉验证评估
  • 交叉验证生成器
  • 网格搜索与交叉验证估计器
• 无监督学习：挖掘数据的表征信息
  • 聚类：对观察数据进行分组
  • 分解：从分解成分中的信号到各个成分与负载
• 实例分析
  • 管道流
  • 基于特征脸的人脸识别
  • 开放性问题：股票市场结构
• 寻求帮助
  • 项目邮件列表
  • 机器学习实践者问答社区

(C) 2007 – 2019, scikit-learn 开发者 (BSD许可证). 显示此页源码

未经允许不得转载，请联系zhouas@hotmail.com获取授权：目标检测 » 科学数据处理中的统计学习技术指南