Классификация
Определение категории, к которой принадлежит объект.
Применения: Обнаружение спама, распознавание изображений. Алгоритмы: Градиентный бустинг, ближайшие соседи, случайный лес, логистическая регрессия, и подробнее...
Регрессия
Прогнозирование непрерывного атрибута, связанного с объектом.
Применения: Реакция на лекарства, цены акций. Алгоритмы: Градиентный бустинг, ближайшие соседи, случайный лес, ridge, и подробнее...
Кластеризация
Автоматическая группировка похожих объектов в наборы.
Применения: Сегментация клиентов, группировка результатов экспериментов. Алгоритмы: k-Means, HDBSCAN, иерархическая кластеризация, и подробнее...
Снижение размерности
Уменьшение количества рассматриваемых случайных переменных.
Применения: Визуализация, повышенная эффективность. Алгоритмы: PCA, отбор признаков, неотрицательная матричная факторизация, и подробнее...
Выбор модели
Сравнение, проверка и выбор параметров и моделей.
Применения: Улучшена точность за счет настройки параметров. Алгоритмы: Поиск по сетке, кросс-валидация, метрики, и подробнее...
Предобработка
Извлечение признаков и нормализация.
Применения: Преобразование входных данных, таких как текст, для использования с алгоритмами машинного обучения. Алгоритмы: Предобработка, извлечение признаков, и подробнее...
"Мы используем scikit-learn для поддержки передовых фундаментальных исследований [...]"
"Я думаю, это самый хорошо спроектированный пакет ML, который я видел до сих пор."
"Простота использования, производительность и общее разнообразие реализованных алгоритмов scikit-learn оказались бесценными [...]"
"Большое преимущество scikit-learn — его быстрая кривая обучения [...]"
"Это позволяет нам делать ПОТРЯСАЮЩИЕ вещи, которые мы иначе не смогли бы осуществить."
"scikit-learn делает продвинутый анализ в Python доступным для всех."
