sklearn0.19中文文档 PDF格式高清。 .1. 广义线性模型 1.1.1. 普通最小二乘法 1.1.1.1. 普通最小二乘法复杂度 1.1.2. 岭回归 1.1.2.1. 岭回归的复杂度 1.1.2.2. 设置正则化参数：广义交叉验证 1.1.3. Lasso 1.1.3.1. 设置正则化参数 1.1.3.1.1. 使用交叉验证 1.1.3.1.2. 基于信息标准的模型选择 1.1.3.1.3. 与 SVM 的正则化参数的比较 1.1.4. 多任务 Lasso 1.1.5. 弹性网络

scikit-learn 是基于 Python 语言的机器学习工具 简单高效的数据挖掘和数据分析工具 可供大家在各种环境中重复使用 建立在 NumPy ，SciPy 和 matplotlib 上 开源，可商业使用 - BSD许可证1.监督学习 1广义线性模型 °1.1.1普通最小二乘法 1.1.2岭回归 1.1.3LaSs0 o1.1.4多任务 Lasso 115弹性网络 o116多任务弹性网络 1.1.7最小角回归 1.1. 8 LARS Lasso 1.19正交匹配追踪法(OMP 1.1.1

离群值检测是指检测不符合给定数据集中已建立的正常行为的模式，并且已在各种实际领域中大量使用。 由于其重要的应用，为此开发了许多技术，包括基于分布的离群值检测方法，基于距离的离群值检测方法，基于密度的离群值检测方法和基于聚类的离群值检测方法等。完全令人满意。 基于k均值聚类算法的质心概念，本文提出了一种基于k近邻质心的离群值检测方法，该方法基于全局离群值因子和局部离群值因子，可以提供与现有的竞争性能解决方案。 在合成数据集和真实数据集上进行的实验证明了我们方法的有效性。