小白零基础学数学建模系列-Day9-从入门到精通的Scikit-learn机器学习指南

文章目录

• • 一、Scikit-learn简介
  • • 1.1 什么是Scikit-learn？
    • • 1.1 Scikit-learn的核心特点包括
      • 1.1.2 Scikit-learn的应用场景包括但不限于：
    • 1.2 Scikit-learn的历史与发展
    • 1.3 Scikit-learn的安装与配置
    • • 1.3.1 使用pip进行安装
      • 1.3.2 使用conda进行安装
      • 1.3.3 从源码安装
      • 1.3.4 验证安装
    • 1.4 Scikit-learn的核心模块和功能概览
    • • 1.4.1 sklearn.datasets：数据集模块
      • 1.4.2 sklearn.preprocessing：数据预处理模块
      • 1.4.3 sklearn.model_selection：模型选择与验证模块
      • 1.4.4 sklearn.linear_model：线性模型模块
      • 1.4.5 sklearn.tree：决策树模块
      • 1.4.6 sklearn.svm：支持向量机模块
      • 1.4.7 sklearn.ensemble：集成方法模块
      • 1.4.8 sklearn.cluster：聚类模块
      • 1.4.9 sklearn.decomposition：降维模块
      • 1.4.10 sklearn.metrics：性能度量模块
      • 1.4.11 sklearn.pipeline：管道
      • 1.4.12 sklearn.externals：模型持久化与导出
      • 1.4.13 sklearn.neighbors：最近邻算法模块
      • 1.4.14 sklearn.manifold：流形学习模块
  • 二、机器学习基础概念
  • • 2.1 机器学习基本概念
    • • 2.1.1 模型
      • 2.1.2 训练
      • 2.1.3 特征
      • 2.1.4 标签
      • 2.1.5 损失函数
      • 2.1.6 泛化
      • 2.1.7 过拟合与欠拟合
    • 2.2 监督学习与无监督学习
    • • 2.2.1 监督学习
      • 2.2.2 无监督学习
    • 2.3 模型选择与评估的基本原则
    • • 2.3.1 模型选择
      • 2.3.2 模型评估
      • 2.3.3 模型调优
    • 2.4 数据集的划分：训练集、验证集与测试集
    • • 2.4.1 训练集
      • 2.4.2 验证集
      • 2.4.3 测试集
      • 2.4.4 数据集划分的注意事项
  • 三、数据预处理与特征工程
  • • 3.1 数据清洗与处理
    • 3.2 数据标准化与归一化
    • 3.3 特征选择与降维
    • 3.4 缺失值处理与插补
    • 3.5 使用Scikit-learn进行特征工程
  • 四、监督学习算法详解
  • • 4.1 线性回归
    • 4.2 逻辑回归
    • 4.3 决策树
    • 4.4 支持向量机 (SVM)
    • 4.5 K-最近邻 (KNN)
    • 4.6 朴素贝叶斯
    • 4.7 集成学习方法
    • • 4.7.1 随机森林
      • 4.7.2 Adaboost
      • 4.7.3 XGBoost
  • 五、无监督学习算法详解
  • • 5.1 K-均值聚类
    • 5.2 层次聚类
    • 5.3 主成分分析 (PCA)
    • 5.4 独立成分分析 (ICA)
    • 5.5 高斯混合模型 (GMM)
    • 5.6 自组织映射 (SOM)
    • 5.7 关联规则学习 (Apriori, Eclat)
  • 六、强化学习算法详解
  • • 6.1 马尔可夫决策过程 (MDP)
    • 6.2 Q学习
    • 6.3 深度Q网络 (DQN)
    • 6.4 策略梯度方法
  • 七. 模型评估与选择
  • • 7.1 交叉验证与网格搜索
    • • 7.1.1 使用交叉验证评估模型性能
      • 7.1.2 使用网格搜索优化模型超参数
    • 7.2 使用Scikit-learn进行模型评估
    • 7.3 超参数调优
    • 7.4 模型性能度量：精度、召回率、F1分数
    • 7.5 使用Scikit-learn进行模型选择与优化