Python机器学习小白零基础入门视频教程sklearn-11集中文+赠送6集
https://item.taobao.com/item.htm?spm=a1z38n.10677092.0.0.2b211debXUkDAr&id=564734544859
sklearn支持算法
回归算法
线性回归
岭回归
逻辑回归
核岭回归
套索回归（Lasso）
弹性网络回归（Elastic Net）
贝叶斯回归（Bayesian Regression）
多项式回归（Polynomial regression——多项式基函数回归）
偏最小二乘回归（PLS）
典型相关分析（CCA）
聚类分析
KNN
Kmeans
层次聚类（Hierarchical clustering）——支持多种距离
降维
主成分方法（PCA）
核函主成分（kernal pca）
因子分析（Factor Analysis）
文本挖掘算法
主题生成模型（Latent Dirichlet Allocation）
潜在语义分析（latent semantic analysis）
分类算法
线性判别分析（LDA）
聚类分析
KNN算法
Kmeans算法
层次聚类（Hierarchical clustering）——支持多种距离
二次判别分析（QDA）
支持向量机回归（SVR）
导入支持向量算法
KNN算法
神经网络
决策树算法
贝叶斯算法
高斯贝叶斯
多项式贝叶斯
伯努利贝叶斯
集成算法（Ensemble methods）
Bagging
随机森林
AdaBoost
GBDT（Gradient Tree Boosting）
# -*- coding: utf-8 -*-
"""
Created on Sat Mar 10 09:40:50 2018
@author: Administrator
"""
#绘图
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
#数据预处理
#标准化
#异常值处理
#非线性转换
#二值化
#独热编码（one-hot）
#缺失值插补：支持均值、中位数、众数、特定值插补、多重插补
#衍生变量生成
#模型优化
#不具体列出函数，只说明提供的功能
#特征选择
#随机梯度方法
#交叉验证
#参数调优
#模型评估：支持准确率、召回率、AUC等计算，ROC,损失函数等作图
#导入测试数据
from sklearn import datasets
#数据预处理
from sklearn.preprocessing import Imputer
#用于训练数据和测试数据分类
from sklearn.cross_validation import train_test_split
#导入数据预处理，包括标准化处理或正则处理
from sklearn import preprocessing
#过渡拟合校验
from sklearn.learning_curve import learning_curve
#样本平均测试，评分更加
from sklearn.cross_validation import cross_val_score
#A回归算法
#最小二乘回归（OLS）
from sklearn import linear_model
reg = linear_model.LinearRegression()
#岭回归
from sklearn import linear_model
reg = linear_model.Ridge (alpha = .5)
#逻辑回归算法
from sklearn.linear_model import LogisticRegression
clf_l1_LR = LogisticRegression(C=C, penalty=‘l1‘, tol=0.01)
#核岭回归（Kernel ridge regression）
from sklearn.kernel_ridge import KernelRidge
KernelRidge(kernel=‘rbf‘, alpha=0.1, gamma=10)
#套索回归（Lasso）
from sklearn import linear_model
reg = linear_model.Lasso(alpha = 0.1)
#弹性网络回归（Elastic Net）
from sklearn.linear_model import ElasticNet
regr = ElasticNet(random_state=0)
#贝叶斯回归（Bayesian Regression）
from sklearn import linear_model
reg = linear_model.BayesianRidge()
#多项式回归（Polynomial regression——多项式基函数回归）
from sklearn.preprocessing import PolynomialFeatures
poly = PolynomialFeatures(degree=2)
poly.fit_transform(X)
#偏最小二乘回归（PLS）
from sklearn.cross_decomposition import PLSCanonical
PLSCanonical(algorithm=‘nipals‘, copy=True, max_iter=500, n_components=2,scale=True, tol=1e-06)
#典型相关分析（CCA）
from sklearn.cross_decomposition import CCA
cca = CCA(n_components=2)
#B聚类分析
#KNN算法
from sklearn.neighbors import KNeighborsClassifier
nbrs = NearestNeighbors(n_neighbors=2, algorithm=‘ball_tree‘).fit(X)
#Kmeans算法
from sklearn.cluster import KMeans
kmeans = KMeans(init=‘k-means++‘, n_clusters=n_digits, n_init=10)
#层次聚类（Hierarchical clustering）——支持多种距离
from sklearn.cluster import AgglomerativeClustering
model = AgglomerativeClustering(linkage=linkage,
connectivity=connectivity, n_clusters=n_clusters)
#C降维算法
#主成分方法（PCA）
from sklearn.decomposition import PCA
pca = PCA(n_components=2)
#核函主成分（kernal pca）
from sklearn.decomposition import KernelPCA
kpca = KernelPCA(kernel="rbf", fit_inverse_transform=True, gamma=10)
#因子分析（Factor Analysis）
from sklearn.decomposition import FactorAnalysis
fa = FactorAnalysis()
#D文本挖掘算法
#主题生成模型（Latent Dirichlet Allocation）
#潜在语义分析（latent semantic analysis）
from sklearn.decomposition import NMF, LatentDirichletAllocation
#E分类算法
#线性判别分析（LDA）
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
#二次判别分析（QDA）
from sklearn.discriminant_analysis import QuadraticDiscriminantAnalysis
#支持向量机回归（SVR）
from sklearn import svm
clf = svm.SVR()
#导入支持向量算法
from sklearn.svm import SVC
#KNN算法
from sklearn.neighbors import KNeighborsClassifier
nbrs = NearestNeighbors(n_neighbors=2, algorithm=‘ball_tree‘).fit(X)
#神经网络
from sklearn.neural_network import MLPClassifier
#决策树算法
from sklearn import tree
#贝叶斯算法
from sklearn.naive_bayes import GaussianNB
from sklearn.naive_bayes import MultinomialNB
from sklearn.naive_bayes import BernoulliNB
#F集成算法（Ensemble methods）
#Bagging
from sklearn.ensemble import BaggingClassifier
from sklearn.neighbors import KNeighborsClassifier
bagging = BaggingClassifier(KNeighborsClassifier(),
max_samples=0.5, max_features=0.5)
#随机森林
from sklearn.ensemble import RandomForestClassifier
from sklearn.ensemble import RandomForestClassifier
clf = RandomForestClassifier(n_estimators=10)
#AdaBoost
from sklearn.ensemble import AdaBoostClassifier
clf = AdaBoostClassifier(n_estimators=100)
#GBDT（Gradient Tree Boosting）
from sklearn.ensemble import GradientBoostingClassifier
clf = GradientBoostingClassifier(n_estimators=100, learning_rate=1.0,
max_depth=1, random_state=0).fit(X_train, y_train)
python入门/爬虫/人工智能/机器学习/自然语言/数据统计分析视频教程网址
