首页

投稿

全网最详细的sklearn教程（上）

1.6万

5

2024-10-05 13:40:18

转自B站，只做搬运工。 Tsai的klearn，再看不懂就放弃吧

轩轩小五发消息

努力，坚持努力。

1 1. 引言，sklearn入门_高清 720P

07:55

1 2. 决策树：概述_高清 720P

08:53

1 3. 分类树：参数Criterion_高清 720P

07:12

1 4. 分类树：实现一棵树，随机性参数_高清 720P

27:12

1 5. 分类树：剪枝参数调优(1)_高清 720P

12:10

1 5. 分类树：剪枝参数调优(2)_高清 720P

07:37

1 6. 分类树：重要属性和接口_高清 720P

15:38

1 7. 回归树：参数，属性和接口_高清 720P

08:45

1 7. 回归树：交叉验证 (1)_高清 720P

06:27

1 7. 回归树：交叉验证(2)_高清 720P

04:08

1 8. 回归树案例：用回归树拟合正弦曲线_高清 720P

29:15

1 9. 案例：泰坦尼克号生存者预测 (1)_高清 720P

34:43

1 9. 案例：泰坦尼克号生存者预测 (2)_高清 720P

10:05

1 9. 案例：泰坦尼克号生存者预测 (3)_高清 720P

16:13

1 9.案例：泰坦尼克号生存者预测 (4)_高清 720P

03:15

2 1. 集成算法概述_trim_高清 720P

11:24

2 2.1 随机森林分类器参数n_estimators与建立一片森林_高清 720P

37:55

2 2.2 参数boostrap & oob_score + 重要属性和接口_高清 720P

32:04

2 2.3 [选学] 袋装法的另一个必要条件_高清 720P

05:31

2 3.1 随机森林回归器_高清 720P

10:14

2 3.2 案例：用随机森林填补缺失值 (1)_高清 720P

25:21

2 3.2 案例：用随机森林填补缺失值 (2)_高清 720P

14:29

2 3.3 案例：用随机森林填补缺失值 (3)_高清 720P

29:59

2 3.4 案例：用随机森林填补缺失值 (4)_高清 720P

09:02

2 4. 机器学习中调参的基本思想_高清 720P

17:30

2 5. 案例：随机森林在乳腺癌数据上的调参 (1)_高清 720P

16:43

2 5. 案例：随机森林在乳腺癌数据上的调参 (2)_高清 720P

23:32

3 1课纲概述 _trim_高清 720P

14:32

3 2数据预处理1：无量纲化：数据归一化_高清 720P

17:32

3 3数据预处理2：无量纲化：数据标准化_高清 720P

08:45

3 4数据预处理3：缺失值 (1)_高清 720P

07:52

3 5数据预处理4：缺失值 (2)_高清 720P

14:59

3 6数据预处理5：处理分类型数据：编码与哑变量_高清 720P

34:48

3 7数据预处理6：处理连续型数据：二值化和分箱_高清 720P

17:31

3 8特征选择1：过滤法：方差过滤 (1)_高清 720P

14:42

3 9特征选择2：过滤法：方差过滤 (2)_高清 720P

28:13

3 10特征选择3：过滤法：卡方过滤_高清 720P

18:38

3 11特征选择4：过滤法：F检验和互信息法 (1)_高清 720P

09:32

3 12特征选择5：过滤法：互信息法(2) + 总结_高清 720P

03:26

3 13特征选择6：嵌入法 (1)_高清 720P

07:16

3 14特征选择7：嵌入法 (2)_高清 720P

20:51

3 15特征选择8：包装法 + 总结_高清 720P

18:02

4 1. 降维概述_trim_高清 720P

12:33

4 2.1 降维究竟怎样实现？_高清 720P

23:08

4 2.2 参数 + 案例：高维数据的可视化 (1)_高清 720P

33:43

4 2.2 参数 + 案例：高维数据的可视化 (2)_高清 720P

04:33

4 2.3 PCA中的SVD，重要参数svd_solver_高清 720P

23:32

4 2.3 参数 + 案例：人脸识别中的components_应用_高清 720P

41:46

4 2.4 重要接口 + 案例1：用人脸识别看PCA降维后的信息保存量_高清 720P

16:01

4 2.4 重要接口 + 案例2：用PCA实现手写数字的噪音过滤_高清 720P

15:06

4 2.5 原理，流程，重要属性接口和参数的总结_高清 720P

05:52

4 3 案例：PCA实现784个特征的手写数字的降维 (1)_高清 720P

24:46

4 3 案例：PCA实现784个特征的手写数字的降维 (2)_trim_高清 720P

07:54

5 0 前言_trim_高清 720P

02:50

5 1.1 逻辑回归概述：名为“回归”的分类器_高清 720P

14:55

5 1.2 为什么需要逻辑回归_高清 720P

08:38

5 1.3 sklearn当中的逻辑回归_高清 720P

05:02

5 2.1.1 二元逻辑回归的损失函数_高清 720P

09:24

5 2.2.1 正则化：重要参数penalty & C_高清 720P

28:47

5 2.2.2 逻辑回归的特征工程 (1)_高清 720P

08:16

5 2.2.2 逻辑回归的特征工程 (2)_高清 720P

06:16

5 2.2.2 逻辑回归的特征工程 (3)_高清 720P

15:55

5 2.2.2 逻辑回归的特征工程 (4)_高清 720P

04:19

5 2.3.1 重要参数max_iter - 梯度下降求解逻辑回归的过程_高清 720P

06:50

5 2.3.2 梯度的概念与解惑_高清 720P

11:02

5 2.3.3 步长的概念与解惑_高清 720P

18:53

5 2.4 二元回归与多元回归：重要参数solver & multi_class_高清 720P

12:27

5 2.5 样本不均衡与参数class_weight_高清 720P

05:20

5 3.1 案例：用逻辑回归制作评分卡 - 评分卡与完整的模型开发流程_高清 720P

06:37

5 3.2.1~2 案例：评分卡 - 数据预处理(1) - 重复值与缺失值_高清 720P

26:44

5 3.2.3 案例：评分卡 - 数据预处理 (2) - 异常值_高清 720P

14:45

5 3.2.4 案例：评分卡 - 数据预处理 (3) - 标准化_高清 720P

03:22

5 3.2.5 案例：评分卡 - 数据预处理 (4) - 样本不均衡问题_高清 720P

07:44

5 3.2.6 案例：评分卡 - 数据预处理 (5) - 保存训练集和测试集数据_高清 720P

05:09

5 3.3 案例：评分卡 - 分箱 (1) - 概述与概念_高清 720P

10:48

5 3.3.1 案例：评分卡 - 分箱 (2) - 等频分箱 (1)_高清 720P

06:59

5 3.3.1 案例：评分卡 - 分箱 (3) - 等频分箱 (2)_高清 720P

09:32

5 3.3.2 案例：评分卡 - 分箱 (4) - 选学说明_高清 720P

02:07

5 3.3.3 案例：评分卡 - 分箱 (5) - 计算WOE与IV_高清 720P

06:11

5 3.3.4 案例：评分卡 - 分箱 (6) - 卡方检验，箱体合并，IV值曲线，确定最优的箱子个数_高清 720P

22:34

5 3.3.5 案例：评分卡 - 分箱 (7) - 包装分箱函数_高清 720P

04:45

5 3.3.6 案例：评分卡 - 分箱 (8) - 包装判断分箱个数的函数_高清 720P

06:10

5 3.3.7 案例：评分卡 - 分箱 (9) - 对所有特征进行分箱_高清 720P

07:16

5 3.4 案例：评分卡 - 映射数据 (1)_高清 720P

06:46

5 3.4 案例：评分卡 - 映射数据 (2)_高清 720P

08:03

5 3.5 案例：评分卡 - 建模与模型验证_高清 720P

11:42

5 3.6 案例：评分卡 - 评分卡的输出和建立_高清 720P

17:00

6 0 概述_trim_高清 720P

01:05

6 1.1 无监督学习概述，聚类vs分类_trim_高清 720P

09:35

6 1.2 sklearn当中的聚类算法_trim_高清 720P

04:20

6 2.1 Kmeans是如何工作的？_trim_高清 720P

11:40

6 2.2 & 2.3 簇内平方和，时间复杂度_高清 720P

16:49

6 3.1.1 KMeans - 重要参数n_clusters_高清 720P

26:32

6 3.1.2 聚类算法的模型评估指标 (1)_高清 720P

12:59

6 3.1.2 聚类算法的模型评估指标 (2) - 轮廓系数_高清 720P

05:51

6 3.1.2 聚类算法的模型评估指标 (3) - CHI_高清 720P

09:45

6 3.1.3 案例：轮廓系数找最佳n_clusters (1)_高清 720P

10:03

6 3.1.3 案例：轮廓系数找最佳n_clusters (2)_高清 720P

11:00

6 3.1.3 案例：轮廓系数找最佳n_clusters (3)_高清 720P

23:19

6 3.2 重要参数init & random_state & n_init：初始质心怎么决定？_高清 720P

08:25

6 3.3 重要参数max_iter & tol：如何让聚类停下来？_高清 720P

04:10

6 3.4 重要属性与接口 & 函数k_means_高清 720P

06:23

6 4 案例：Kmeans做矢量量化 (1)：案例背景_高清 720P

04:00

6 4 案例：Kmeans做矢量量化 (2)_高清 720P

18:01

6 4 案例：Kmeans做矢量量化 (3)_高清 720P

06:53

6 4 案例：Kmeans做矢量量化 (4)_高清 720P

14:28

7 0 本周要学习什么_trim_高清 720P

01:52

7 1.1 支持向量机概述：最强大的机器学习算法_高清 720P

09:36

7 1.2 支持向量机是如何工作的 & sklearn中的SVM_高清 720P

15:10

7 2.1.1 线性SVC的损失函数 (1)_高清 720P

18:04

7 2.1.1 线性SVC的损失函数 (2)_高清 720P

10:24

7 2.1.2 函数间隔与几何间隔_高清 720P

04:42

7 2.1.3.1 损失函数的拉格朗日乘数形态_高清 720P

14:53

7 2.1.3.2 拉格朗日对偶函数 (1)_高清 720P

13:29

7 2.1.3.2 拉格朗日对偶函数 (2)_高清 720P

08:09

7 2.1.3.3 求解拉格朗日对偶函数极其后续过程_高清 720P

03:50

7 2.1.4 线性SVM的求解过程的可视化 (1)：理解等高线函数contour_高清 720P

11:45

7 2.1.4 线性SVM的求解过程的可视化 (2)：理解网格制作函数meshgrid与vstack_高清 720P

07:54

7 2.1.4 线性SVM的求解过程的可视化 (3)：建模，绘制图像并包装函数_高清 720P

12:12

7 2.1.4 线性SVM的求解过程的可视化 (4)：探索建立好的模型_高清 720P

02:25

7 2.1.4 线性SVM的求解过程的可视化 (5)：非线性数据集上的推广与3D可视化_高清 720P

08:18

7 2.1.4 线性SVM的求解过程的可视化 (6)：Jupyter Notebook中的3D交互功能_高清 720P

03:09

7 2.2.1 & 2.2.2 非线性SVM与核函数：重要参数kernel_高清 720P

10:55

7 2.2.3 案例：如何选取最佳核函数 (1)_高清 720P

26:08

7 2.2.3 案例：如何选取最佳核函数 (2)_高清 720P

15:53

7 2.2.4 案例：在乳腺癌数据集上探索核函数的性质_高清 720P

33:09

7 2.2.5 案例：在乳腺癌数据集上对核函数进行调参 (1)_高清 720P

05:38

7 2.2.5 案例：在乳腺癌数据集上对核函数进行调参 (2)_高清 720P

12:01

7 2.3.1 SVM在软间隔数据上的推广_高清 720P

12:48

7 2.3.2 重要参数C & 总结_高清 720P

08:20

8 0 目录：本周将学习什么_trim_高清 720P

02:18

8 1.1 简单复习支持向量机的基本原理_高清 720P

06:44

8 1.2 参数C的深入理解：多个支持向量存在的理由_高清 720P

12:31

8 1.3 二分类SVC中的样本不均衡问题：重要参数class_weight_高清 720P

08:20

8 1.3 如何使用参数class_weight (1)_高清 720P

05:15

8 1.3 如何使用参数class_weight (2)_高清 720P

09:07

8 2 SVC的模型评估指标_高清 720P

03:31

8 2.1 混淆矩阵与准确率_高清 720P

05:43

8 2.1 样本不平衡的艺术(1)：精确度Precision_高清 720P

07:28

8 2.1 样本不平衡的艺术(2)：召回率Recall与F1 measure_高清 720P

07:09

8 2.1.3 对多数类样本的关怀：特异度Specificity与假正率FPR_高清 720P

04:29

8 2.1.4 sklearn中的混淆矩阵_高清 720P

01:56

8 2.2 ROC曲线：Recall与假正率FPR的平衡_高清 720P

02:07

8 2.2.1 概率与阈值_高清 720P

18:02

8 2.2.2 SVM做概率预测_高清 720P

08:42

8 2.2.3 绘制ROC曲线_高清 1080P

17:16

8 2.2.4 sklearn中的ROC曲线和AUC面积_高清 720P

10:12

8 2.2.5 利用ROC曲线求解最佳阈值_高清 720P

06:54

8 3 选学说明：使用SVC时的其他考虑_高清 720P

02:00

8 4 案例：预测明天是否会下雨 - 案例背景_高清 720P

03:54

8 4.1 案例：导库导数据，探索特征，jupyter中的快捷键_高清 720P

13:23

8 4.2 案例：分集，优先处理标签_高清 720P

11:35

8 4.3.1 案例：描述性统计，处理异常值_高清 720P

10:11

8 4.3.2 案例：现实数据上的数据预处理 - 处理时间_高清 720P

35:44

8 4.3.3 案例：现实数据上的数据预处理 - 处理地点_高清 1080P

35:55

8 4.3.4 案例：现实数据上的数据预处理 - 填补分类型缺失值_高清 720P

12:08

8 4.3.5 案例：现实数据上的数据预处理 - 编码分类型变量_高清 720P

04:16

8 4.3.6 & 4.3.7 案例：现实数据集上的数据预处理 - 处理连续型变量_高清 720P

07:38

8 4.4 案例：建模与模型评估_高清 1080P

08:16

8 4.5.1 案例：模型调参：追求最高的recall_高清 720P

04:57

8 4.5.2 案例：模型调参：追求最高的精确度_高清 1080P

16:32

8 4.5.3 案例：模型调参：追求精确度与recall的平衡_高清 720P

14:57

8 4.6 SVM总结与结语_高清 720P

01:43

9 0 本周要学习什么_trim_高清 720P

03:38

9 1 概述，sklearn中的线性回归大家族_高清 720P

04:58

9 2.1 多元线性回归的基本原理和损失函数_高清 720P

11:03

9 2.2 用最小二乘法求解多元线性回归的过程_高清 720P

13:10

9 2.3 多元线性回归的参数，属性及建模代码_高清 720P

27:45

9 3.1 回归类模型的评估指标：是否预测准确？_高清 720P

15:34

9 3.2 回归类模型的评估指标：是否拟合了足够的信息？_高清 720P

29:30

9 4.1 多重共线性：含义，数学，以及解决方案_高清 720P

34:36

9 4.2.1 岭回归处理多重共线性_高清 720P

13:01

9 4.2.2 sklearn中的岭回归：linear_model.Ridge_高清 1080P

21:41

9 4.2.3 为岭回归选择最佳正则化参数_高清 1080P

23:47

9 4.3.1 Lasso处理多重共线性_高清 720P

11:41

9 4.3.2 Lasso的核心作用：特征选择_高清 1080P

16:37

9 4.3.3 Lasso选择最佳正则化参数_高清 1080P

27:31

9 5.1.1 & 5.1.2 线性数据与非线性数据_高清 720P

09:06

9 5.1.3 线性vs非线性模型 (1)：线性模型在非线性数据集上的表现_高清 720P

16:35

9 5.1.3 线性vs非线性模型 (2)：拟合，效果与特点_高清 720P

15:11

9 5.2 离散化：帮助线性回归解决非线性问题_高清 1080P

30:40

9 5.3.1 多项式对数据做了什么？_高清 1080P

26:28

9 5.3.2 多项式回归提升模型表现_高清 1080P

11:09

9 5.3.3 多项式回归的可解释性_高清 1080P

18:53

9 5.3.4 多项式回归：线性还是非线性模型_高清 720P

09:42

顶部