1.md

1. 监督学习

• 1.1 广义线性模型
  • 1.1.1 普通最小二乘法
  • 1.1.2 岭回归
  • 1.1.3 Lasso
  • 1.1.4 多任务 Lasso
  • 1.1.5 弹性网络
  • 1.1.6 多任务弹性网络
  • 1.1.7 最小角回归
  • 1.1.8 LARS Lasso
  • 1.1.9 正交匹配追踪法（OMP）
  • 1.1.10 贝叶斯回归
  • 1.1.11 logistic 回归
  • 1.1.12 随机梯度下降， SGD
  • 1.1.13 Perceptron（感知器）
  • 1.1.14 Passive Aggressive Algorithms（被动攻击算法）
  • 1.1.15 稳健回归（Robustness regression）: 处理离群点（outliers）和模型错误
  • 1.1.16 多项式回归：用基函数展开线性模型
• 1.2 线性和二次判别分析
  • 1.2.1 使用线性判别分析来降维
  • 1.2.2 LDA 和 QDA 分类器的数学公式
  • 1.2.3 LDA 的降维数学公式
  • 1.2.4 Shrinkage（收缩）
  • 1.2.5 预估算法
• 1.3 内核岭回归
• 1.4 支持向量机
  • 1.4.1 分类
  • 1.4.2 回归
  • 1.4.3 密度估计, 异常（novelty）检测
  • 1.4.4 复杂度
  • 1.4.5 使用诀窍
  • 1.4.6 核函数
  • 1.4.7 数学公式
  • 1.4.8 实现细节
• 1.5 随机梯度下降
  • 1.5.1 分类
  • 1.5.2 回归
  • 1.5.3 稀疏数据的随机梯度下降
  • 1.5.4 复杂度
  • 1.5.5 停止判据
  • 1.5.6 实用小贴士
  • 1.5.7 数学描述
  • 1.5.8 实现细节
• 1.6 最近邻
  • 1.6.1 无监督最近邻
  • 1.6.2 最近邻分类
  • 1.6.3 最近邻回归
  • 1.6.4 最近邻算法
  • 1.6.5 最近质心分类
  • 1.6.6 邻域成分分析
• 1.7 高斯过程
  • 1.7.1 高斯过程回归（GPR）
  • 1.7.2 GPR 示例
  • 1.7.3 高斯过程分类（GPC）
  • 1.7.4 GPC 示例
  • 1.7.5 高斯过程内核
• 1.8 交叉分解
• 1.9 朴素贝叶斯
  • 1.9.1 高斯朴素贝叶斯
  • 1.9.2 多项分布朴素贝叶斯
  • 1.9.3 补充朴素贝叶斯
  • 1.9.4 伯努利朴素贝叶斯
  • 1.9.5 堆外朴素贝叶斯模型拟合
• 1.10 决策树
  • 1.10.1 分类
  • 1.10.2 回归
  • 1.10.3 多值输出问题
  • 1.10.4 复杂度分析
  • 1.10.5 实际使用技巧 * 1.10.6 决策树算法: ID3, C4.5, C5.0 和 CART
  • 1.10.7 数学表达
• 1.11 集成方法
  • 1.11.1 Bagging meta-estimator（Bagging 元估计器）
  • 1.11.2 由随机树组成的森林
  • 1.11.3 AdaBoost
  • 1.11.4 Gradient Tree Boosting（梯度树提升）
  • 1.11.5 Voting Classifier（投票分类器）
    • 1.11.6. 投票回归器(Voting Regressor)
• 1.12 多类和多标签算法
  • 1.12.1 多标签分类格式
  • 1.12.2 1对其余
  • 1.12.3 1对1
  • 1.12.4 误差校正输出代码
  • 1.12.5 多输出回归
  • 1.12.6 多输出分类
  • 1.12.7 链式分类器
• 1.13 特征选择
  • 1.13.1 移除低方差特征
  • 1.13.2 单变量特征选择
  • 1.13.3 递归式特征消除
  • 1.13.4 使用 SelectFromModel 选取特征
  • 1.13.5 特征选取作为 pipeline（管道）的一部分
• 1.14 半监督学习
  • 1.14.1 标签传播
• 1.15 等式回归
• 1.16 概率校准
• 1.17 神经网络模型（有监督）
  • 1.17.1 多层感知器
  • 1.17.2 分类
  • 1.17.3 回归
  • 1.17.4 正则化
  • 1.17.5 算法
  • 1.17.6 复杂度
  • 1.17.7 数学公式
  • 1.17.8 实用技巧
  • 1.17.9 使用 warm_start 的更多控制