趋近智
Scikit-Learn 快速上手
章节 1: Scikit-learn 介绍与环境配置
Scikit-learn 是什么？
安装与环境设置
Scikit-learn API 概述
Scikit-learn 中的数据表示
加载示例数据集
动手实践：安装验证
章节 2: 监督学习：回归
回归问题简介
线性回归基本原理
使用Scikit-learn实现线性回归
解释模型系数
回归评估指标
Scikit-learn 中的指标计算
动手实践：构建回归模型
章节 3: 监督学习：分类
分类问题介绍
逻辑回归用于分类
K-近邻算法 (KNN)
在 Scikit-learn 中实现 KNN
支持向量机 (SVM) 基本原理
使用Scikit-learn实现SVM
分类评估指标
在 Scikit-learn 中计算指标
实践操作：构建分类模型
章节 4: 数据预处理与特征工程
数据预处理的重要性
特征缩放技术
在Scikit-learn中应用缩放器
分类特征编码
在Scikit-learn中应用编码器
处理缺失值
在Scikit-learn中使用填充器
动手实践：数据预处理
章节 5: 模型选择与评估
过拟合与欠拟合问题
数据划分：训练集与测试集
交叉验证简介
实现K折交叉验证
分层K折用于分类
网格搜索用于超参数调整
动手实践：模型评估与选择
章节 6: 构建管道
使用管道的理由
创建简单管道
访问流水线步骤
使用管道结合交叉验证
使用管道进行网格搜索
使用 ColumnTransformer 构建复杂管道
实战：流水线的构建与调优
Scikit-Learn 快速上手
先决条件: 具备 Python/Pandas 基础知识。
级别:
中级
您将学到什么
Scikit-learn 核心 API
理解并运用 Scikit-learn 库的主要组成部分，包括估算器、预测器和转换器。
数据准备
使用 Scikit-learn 应用常见数据预处理技术，如特征缩放、类别特征编码和缺失值处理。
监督学习模型
实现并评估用于回归和分类问题的常见监督学习算法。
模型评估
选择合适的度量指标并使用交叉验证技术可靠地评估模型表现。
管道构建
使用 Scikit-learn 管道构建和管理机器学习工作流程，以整合预处理和模型步骤。