Alternar menú

Ejemplos¶

Destacados del lanzamiento¶

Estos ejemplos ilustran las principales características de los lanzamientos de scikit-learn.

Release Highlights for scikit-learn 0.23 — Aspectos Destacados de scikit-learn 0.23¶

Release Highlights for scikit-learn 0.24 — Aspectos Destacados de scikit-learn 0.24¶

Release Highlights for scikit-learn 0.22 — Aspectos Destacados de scikit-learn 0.22¶

Biclustering¶

Ejemplos relacionados con el módulo sklearn.cluster.bicluster.

A demo of the Spectral Co-Clustering algorithm — Una demostración del algoritmo de Co-Clustering Espectral¶

A demo of the Spectral Biclustering algorithm — Una demostración del algoritmo Biclustering Espectral¶

Biclustering documents with the Spectral Co-clustering algorithm — Biclustering de documentos con el algoritmo Co-clustering Espectral¶

Calibración¶

Ejemplos que ilustran la calibración de las probabilidades predichas de los clasificadores.

Comparison of Calibration of Classifiers — Comparación de la calibración de los clasificadores¶

Probability Calibration curves — Curvas de probabilidad de calibración¶

Probability calibration of classifiers — Calibración de probabilidad de clasificadores¶

Probability Calibration for 3-class classification — Calibración de probabilidades para la clasificación de 3 clases¶

Clasificación¶

Ejemplos generales sobre algoritmos de clasificación.

Recognizing hand-written digits — Reconocimiento de dígitos escritos a mano¶

Normal, Ledoit-Wolf and OAS Linear Discriminant Analysis for classification — Análisis discriminante lineal normal, Ledoit-Wolf y OAS para la clasificación¶

Plot classification probability — Traza la probabilidad de clasificación¶

Classifier comparison — Comparación de clasificadores¶

Linear and Quadratic Discriminant Analysis with covariance ellipsoid — Análisis discriminante lineal y cuadrático con elipsoide de covarianza¶

Clustering o aglomeración¶

Ejemplos relacionados con el módulo sklearn.cluster.

An example of K-Means++ initialization — Un ejemplo de inicialización de K-Medias++¶

Plot Hierarchical Clustering Dendrogram — Gráfico de Dendrograma de Agrupamiento Jerárquico¶

Feature agglomeration — Aglomeración de características¶

A demo of the mean-shift clustering algorithm — Una demostración (demo) del algoritmo de agrupamiento por media desplazada¶

Demonstration of k-means assumptions — Demostración de los supuestos de k-medias¶

Online learning of a dictionary of parts of faces — Aprendizaje en línea de un diccionario de partes de caras¶

Vector Quantization Example — Ejemplo de Cuantificación Vectorial¶

Demo of affinity propagation clustering algorithm — Demostración (demo) del algoritmo de agrupamiento por propagación de afinidad¶

Agglomerative clustering with and without structure — Agrupamiento aglomerativo con y sin estructura¶

Various Agglomerative Clustering on a 2D embedding of digits — Diferentes agrupamientos aglomerativos en una incrustación 2D de dígitos¶

Segmenting the picture of greek coins in regions — Segmentación de la imagen de las monedas griegas en regiones¶

K-means Clustering — Agrupamiento por K-Medias¶

Spectral clustering for image segmentation — Agrupamiento espectral para la segmentación de imágenes¶

A demo of structured Ward hierarchical clustering on an image of coins — Una demostración (demo) del agrupamiento jerárquico de Ward estructurado en una imagen de monedas¶

Demo of DBSCAN clustering algorithm — Demostración (demo) del algoritmo de agrupamiento DBSCAN¶

Color Quantization using K-Means — Cuantificación del color utilizando K-Medias¶

Hierarchical clustering: structured vs unstructured ward — Agrupamiento jerárquico: sala estructurada o no estructurada¶

Agglomerative clustering with different metrics — Agrupamiento aglomerativo con diferentes métricas¶

Inductive Clustering — Agrupamiento Inductivo¶

Demo of OPTICS clustering algorithm — Demostración (demo) del algoritmo de agrupamiento OPTICS¶

Compare BIRCH and MiniBatchKMeans — Comparación de BIRCH y MiniBatchKMeans¶

Empirical evaluation of the impact of k-means initialization — Evaluación empírica del impacto de la inicialización de k-medias¶

Adjustment for chance in clustering performance evaluation — Ajuste al azar en la evaluación del rendimiento del agrupamiento¶

Comparison of the K-Means and MiniBatchKMeans clustering algorithms — Comparación de los algoritmos de agrupamiento K-Means (K-Medias) y MiniBatchKMeans¶

Feature agglomeration vs. univariate selection — Agrupamiento de características vs. selección univariante¶

Comparing different hierarchical linkage methods on toy datasets — Comparación de diferentes métodos de enlazamiento jerárquico en conjuntos de datos de juguete¶

A demo of K-Means clustering on the handwritten digits data — Demostración (demo) del agrupamiento por K-Medias en los datos de dígitos escritos a mano¶

Selecting the number of clusters with silhouette analysis on KMeans clustering — Selección del número de conglomerados con el análisis de silueta en el agrupamiento KMedias (KMeans)¶

Comparing different clustering algorithms on toy datasets — Comparación de diferentes algoritmos de agrupamiento en conjuntos de datos de juguete¶

Estimación de covarianza¶

Ejemplos relacionados con el módulo sklearn.covariance.

Ledoit-Wolf vs OAS estimation — Estimación de Ledoit-Wolf contra OAS¶

Sparse inverse covariance estimation — Estimación de la covarianza inversa dispersa¶

Shrinkage covariance estimation: LedoitWolf vs OAS and max-likelihood — Estimación de la covarianza de la contracción: LedoitWolf vs OAS y max-likelihood¶

Robust covariance estimation and Mahalanobis distances relevance — Estimación robusta de la covarianza y relevancia de las distancias de Mahalanobis¶

Robust vs Empirical covariance estimate — Estimación de la covarianza robusta frente a la empírica¶

Descomposición cruzada¶

Ejemplos relacionados con el módulo sklearn.cross_decomposition.

Principal Component Regression vs Partial Least Squares Regression — Regresión por componentes principales frente a la regresión por mínimos cuadrados parciales¶

Compare cross decomposition methods — Comparar métodos de descomposición cruzada¶

Ejemplos de conjuntos de datos¶

Ejemplos relacionados con el módulo sklearn.datasets.

The Digit Dataset — El conjunto de datos Digit¶

The Iris Dataset — El conjunto de datos Iris¶

Plot randomly generated classification dataset — Grafica el conjunto de datos de clasificación generados aleatoriamente¶

Plot randomly generated multilabel dataset — Graficar el conjunto de datos multietiqueta generados aleatoriamente¶

Árboles de decisión¶

Ejemplos relacionados con el módulo sklearn.tree.

Decision Tree Regression — Regresión del árbol de decisión¶

Multi-output Decision Tree Regression — Regresión del Árbol de Decisión con salida múltiple¶

Plot the decision surface of a decision tree on the iris dataset — Trazar la superficie de decisión de un árbol de decisiones en el conjunto de datos iris¶

Post pruning decision trees with cost complexity pruning — Árboles de decisión con poda de complejidad de costes¶

Understanding the decision tree structure — Comprensión de la estructura del árbol de decisiones¶

Decomposición¶

Ejemplos relacionados con el módulo sklearn.decomposition.

Beta-divergence loss functions — Funciones de pérdida de divergencia beta¶

PCA example with Iris Data-set — Ejemplo de PCA con el conjunto de datos de Iris¶

Incremental PCA — PCA Incremental¶

Comparison of LDA and PCA 2D projection of Iris dataset — Comparación de la proyección arreglo 2D de LDA y PCA del conjunto de datos de Iris¶

Factor Analysis (with rotation) to visualize patterns — Análisis factorial (con rotación) para visualizar patrones¶

Blind source separation using FastICA — Separación ciega de fuentes mediante FastICA¶

Principal components analysis (PCA) — Análisis de componentes principales (Principal components analysis, PCA)¶

FastICA on 2D point clouds — FastICA en nubes de puntos 2D¶

Kernel PCA — Núcleo PCA¶

Model selection with Probabilistic PCA and Factor Analysis (FA) — Selección de modelos con el ACP probabilístico y el análisis factorial (AF)¶

Sparse coding with a precomputed dictionary — Codificación dispersa con un diccionario precalculado¶

Image denoising using dictionary learning — Desnaturalización de imágenes mediante el aprendizaje de diccionarios¶

Faces dataset decompositions — Descomposición de conjuntos de datos de caras¶

Métodos de ensemble¶

Ejemplos relacionados con el módulo sklearn.ensemble.

Pixel importances with a parallel forest of trees — Importancia de los píxeles con un bosque paralelo de árboles¶

Decision Tree Regression with AdaBoost — Regresión en árbol de decisión con AdaBoost¶

Plot individual and voting regression predictions — Graficar las predicciones de la regresión individual y de la votación¶

Feature importances with forests of trees — Importancia de las características con los bosques de árboles¶

IsolationForest example — Ejemplo de IsolationForest¶

Monotonic Constraints — Restricciones monotónicas¶

Plot the decision boundaries of a VotingClassifier — Graficar las fronteras de decisión de un VotingClassifier¶

Comparing random forests and the multi-output meta estimator — Comparación de los bosques aleatorios y el metaestimador de salida múltiple¶

Prediction Intervals for Gradient Boosting Regression — Intervalos de predicción para la Regresión con Potenciación de Gradiente¶

Gradient Boosting regularization — Regularización del Potenciador de Gradiente (Gradient Boosting)¶

Plot class probabilities calculated by the VotingClassifier — Graficar las probabilidades de clase calculadas por el VotingClassifier¶

Gradient Boosting regression — Regresión de Potenciación de Gradiente¶

OOB Errors for Random Forests — Errores OOB para bosques aleatorios (random forests)¶

Two-class AdaBoost — AdaBoost de dos clases¶

Hashing feature transformation using Totally Random Trees — Transformación de rasgos de hashing mediante Árboles Totalmente Aleatorios¶

Multi-class AdaBoosted Decision Trees — Árboles de decisión multiclase AdaBoosted¶

Discrete versus Real AdaBoost — AdaBoost Discreto versus Real¶

Early stopping of Gradient Boosting — Parada anticipada de la Potenciación de Gradiente¶

Feature transformations with ensembles of trees — Transformaciones de características con grupos (ensembles) de árboles¶

Gradient Boosting Out-of-Bag estimates — Estimados Out-of-Bag de Potenciación de Gradiente¶

Single estimator versus bagging: bias-variance decomposition — Estimador único frente a empaquetado (bagging): descomposición sesgo-varianza¶

Categorical Feature Support in Gradient Boosting — Soporte de características categóricas en Potenciación del Gradiente (Gradient Boosting)¶

Plot the decision surfaces of ensembles of trees on the iris dataset — Graficar las superficies de decisión de los ensembles de árboles en el conjunto de datos iris¶

Combine predictors using stacking — Combinar predictores mediante el apilamiento (stacking)¶

Ejemplos basados en conjuntos de datos del mundo real¶

Aplicaciones a problemas del mundo real con algunos conjuntos de datos de tamaño medio o interfaz interactiva de usuario.

Outlier detection on a real data set — Detección de valores atípicos en un conjunto de datos reales¶

Compressive sensing: tomography reconstruction with L1 prior (Lasso) — Detección compresiva: reconstrucción de la tomografía con a priori L1 (Lasso)¶

Topic extraction with Non-negative Matrix Factorization and Latent Dirichlet Allocation — Extracción de temas con Factorización Matricial No Negativa y Asignación de Dirichlet Latente¶

Faces recognition example using eigenfaces and SVMs — Ejemplo de reconocimiento de rostros mediante eigenfaces y SVM¶

Model Complexity Influence — Influencia de la complejidad del modelo¶

Visualizing the stock market structure — Visualización de la estructura bursátil¶

Wikipedia principal eigenvector — Autovector principal de Wikipedia¶

Species distribution modeling — Modelización de la distribución de las especies¶

Libsvm GUI — Libsvm GUI¶

Prediction Latency — Latencia de predicción¶

Out-of-core classification of text documents — Clasificación de documentos de texto fuera del núcleo¶

Selección de características¶

Ejemplos relacionados con el módulo sklearn.feature_selection.

Recursive feature elimination — Eliminación recursiva de características¶

Comparison of F-test and mutual information — Comparación de pruebas F e información mutua¶

Pipeline Anova SVM — Pipeline Anova SVM¶

Recursive feature elimination with cross-validation — Eliminación recursiva de características con validación cruzada¶

Model-based and sequential feature selection — Selección de características basadas en modelos y secuenciales¶

Test with permutations the significance of a classification score — Evalúa con permutaciones la importancia de una puntuación de clasificación¶

Univariate Feature Selection — Selección de características univariantes¶

Modelos de mezclas gaussianas¶

Ejemplos relacionados con el módulo sklearn.mixture.

Density Estimation for a Gaussian mixture — Estimación de la Densidad para una Mezcla Gaussiana¶

Gaussian Mixture Model Ellipsoids — Elipsoides del Modelo de Mezcla Gaussiana¶

Gaussian Mixture Model Selection — Selección del Modelo de Mezcla Gaussiana¶

GMM covariances — Covarianzas GMM¶

Gaussian Mixture Model Sine Curve — Modelo de Mezcla Gaussiana Curva Sinusoidal¶

Concentration Prior Type Analysis of Variation Bayesian Gaussian Mixture — Análisis del Tipo de Concentración a priori de la Variación de Mezcla Gaussiana Bayesiana¶

Proceso Gaussiano para el aprendizaje automático¶

Ejemplos relacionados con el módulo sklearn.gaussian_process.

Illustration of Gaussian process classification (GPC) on the XOR dataset — Illustración de la clasificación de procesos Gaussianos (GPC) en el conjunto de datos XOR¶

Gaussian process classification (GPC) on iris dataset — Clasificación de procesos gaussianos (GPC) en el conjunto de datos iris¶

Comparison of kernel ridge and Gaussian process regression — Comparación de la cresta del núcleo y la regresión del proceso gaussiano¶

Illustration of prior and posterior Gaussian process for different kernels — Illustración del proceso Gaussiano anterior y posterior para diferentes núcleos¶

Iso-probability lines for Gaussian Processes classification (GPC) — Líneas de isoprobabilidad para la clasificación de los procesos gaussianos (GPC)¶

Probabilistic predictions with Gaussian process classification (GPC) — Predicciones probabilistas con clasificación de procesos Gaussianos (GPC)¶

Gaussian process regression (GPR) with noise-level estimation — Regresión del proceso gaussiano (GPR) con estimación a nivel de ruido¶

Gaussian Processes regression: basic introductory example — Regresión de procesos Gaussianos: ejemplo introductorio básico¶

Gaussian process regression (GPR) on Mauna Loa CO2 data. — Regresión del proceso gaussiano (GPR) en los datos de CO2 de Mauna Loa.¶

Gaussian processes on discrete data structures — Procesos Gaussianos en estructuras de datos discretos¶

Modelos lineales generalizados¶

Ejemplos relacionados con el módulo sklearn.linear_model.

Lasso path using LARS — Trayectoria de Lasso utilizando LARS¶

SGD: Maximum margin separating hyperplane — SGD: Hiperplano de separación de máximo margen¶

Plot Ridge coefficients as a function of the regularization — Graficar los coeficientes de Ridge en función de la regularización¶

SGD: convex loss functions — SGD: funciones de pérdida convexas¶

Ordinary Least Squares and Ridge Regression Variance — Varianza de mínimos cuadrados ordinarios y regresión Ridge¶

Plot Ridge coefficients as a function of the L2 regularization — Graficar los coeficientes Ridge en función de la regularización L2¶

SGD: Penalties — SGD: Sanciones¶

Logistic function — Función logística¶

Polynomial interpolation — Interpolación polinómica¶

Regularization path of L1- Logistic Regression — Ruta de regularización de la regresión logística L1¶

Logistic Regression 3-class Classifier — Regresión logística Clasificador de 3 clases¶

SGD: Weighted samples — SGD: Muestras ponderadas¶

Non-negative least squares — Mínimos cuadrados no negativos¶

Linear Regression Example — Ejemplo de regresión lineal¶

Robust linear model estimation using RANSAC — Estimación robusta de modelos lineales mediante RANSAC¶

Sparsity Example: Fitting only features 1 and 2 — Ejemplo de sparsity: Ajustar sólo las características 1 y 2¶

HuberRegressor vs Ridge on dataset with strong outliers — HuberRegressor vs Ridge en un conjunto de datos con fuertes valores atípicos¶

Lasso on dense and sparse data — Lasso en datos densos y dispersos¶

Comparing various online solvers — Comparación de varios solucionadores en línea¶

Joint feature selection with multi-task Lasso — Selección conjunta de características con Lasso multitarea¶

MNIST classification using multinomial logistic + L1 — Clasificación MNIST mediante logística multinomial + L1¶

Plot multi-class SGD on the iris dataset — Graficar el SGD multiclase en el conjunto de datos del iris¶

Orthogonal Matching Pursuit — Búsqueda de correspondencias ortogonales¶

Lasso and Elastic Net for Sparse Signals — Lasso y red elástica para señales dispersas¶

Curve Fitting with Bayesian Ridge Regression — Ajuste de curvas con regresión Bayesiana Ridge¶

Theil-Sen Regression — Regresión de Theil-Sen¶

Plot multinomial and One-vs-Rest Logistic Regression — Trazar la regresión logística multinomial y de One-vs-Rest¶

Robust linear estimator fitting — Ajuste del estimador lineal robusto¶

L1 Penalty and Sparsity in Logistic Regression — Penalización L1 y dispersión en la regresión logística¶

Lasso and Elastic Net — Lasso y red elástica¶

Automatic Relevance Determination Regression (ARD) — Regresión automática de determinación de la relevancia (ARD)¶

Bayesian Ridge Regression — Regresión Bayesiana de Cresta¶

Lasso model selection: Cross-Validation / AIC / BIC — Selección del modelo Lasso: Validación cruzada / AIC / BIC¶

Multiclass sparse logistic regression on 20newgroups — Regresión logística dispersa multiclase en 20 nuevos grupos¶

Early stopping of Stochastic Gradient Descent — Parada anticipada del descenso de gradiente estocástico¶

Poisson regression and non-normal loss — Regresión de Poisson y pérdida no normal¶

Tweedie regression on insurance claims — Regresión de Tweedie en los reclamos de seguros¶

Inspección¶

Ejemplos relacionados con el módulo sklearn.inspection.

Permutation Importance with Multicollinear or Correlated Features — Importancia de la Permutación con Características Multicolineales o Correlacionadas¶

Permutation Importance vs Random Forest Feature Importance (MDI) — Importancia de la Permutación vs la Importancia de las Características del Bosque Aleatorio (MDI)¶

Partial Dependence and Individual Conditional Expectation Plots — Gráficos de Dependencia Parcial y de Expectativa Condicional Individual¶

Common pitfalls in interpretation of coefficients of linear models — Errores comunes en la interpretación de los coeficientes de los modelos lineales¶

Aproximación de núcleo¶

Ejemplos relacionados con el módulo sklearn.kernel_approximation.

Scalable learning with polynomial kernel aproximation — Aprendizaje escalable con aproximación del núcleo polinomial¶

Aprendizaje múltiple¶

Ejemplos relacionados con el módulo sklearn.manifold.

Swiss Roll reduction with LLE — Reducción de rollos suizos con LLE¶

Comparison of Manifold Learning methods — Comparación de los métodos de Aprendizaje Múltiple¶

Multi-dimensional scaling — Escala multidimensional¶

t-SNE: The effect of various perplexity values on the shape — t-SNE: El efecto de varios valores de perplejidad en la forma¶

Manifold Learning methods on a severed sphere — Métodos de aprendizaje múltiple en una esfera cortada¶

Manifold learning on handwritten digits: Locally Linear Embedding, Isomap... — Aprendizaje múltiple sobre dígitos manuscritos: Incrustación local lineal, Isomap…¶

Imputación de valores faltantes¶

Ejemplos relacionados con el módulo sklearn.impute.

Imputing missing values with variants of IterativeImputer — Imputar valores faltantes con variantes de IterativeImputer¶

Imputing missing values before building an estimator — Imputar valores faltantes antes de crear un estimador¶

Selección de modelo¶

Ejemplos relacionados con el módulo sklearn.model_selection.

Plotting Cross-Validated Predictions — Graficando predicciones con validación cruzada¶

Confusion matrix — Matriz de confusión¶

Plotting Validation Curves — Graficando curvas de validación¶

Detection error tradeoff (DET) curve — Curva de compensación de errores de detección (DET)¶

Successive Halving Iterations — Iteraciones sucesivas a la mitad¶

Underfitting vs. Overfitting — Sobreajuste vs Subajuste¶

Parameter estimation using grid search with cross-validation — Estimación de parámetros utilizando la búsqueda en cuadrícula con validación cruzada¶

Comparing randomized search and grid search for hyperparameter estimation — Comparando la búsqueda aleatorizada y la búsqueda en cuadrícula para la estimación de hiperparámetros¶

Train error vs Test error — Error de entrenamiento vs error de prueba¶

Receiver Operating Characteristic (ROC) with cross validation — Característica operativa del receptor (Receiver Operating Characteristic, ROC) con validación cruzada¶

Nested versus non-nested cross-validation — Validación cruzada anidada y no anidada¶

Demonstration of multi-metric evaluation on cross_val_score and GridSearchCV — Demostración de la evaluación multimétrica en cross_val_score y GridSearchCV¶

Sample pipeline for text feature extraction and evaluation — Ejemplo de pipeline para la extracción y evaluación de características de texto¶

Balance model complexity and cross-validated score — Balancear la complejidad del modelo y la puntuación de validación cruzada¶

Comparison between grid search and successive halving — Comparación entre la búsqueda en cuadrícula y la reducción sucesiva a la mitad¶

Visualizing cross-validation behavior in scikit-learn — Visualización del comportamiento de la validación cruzada en scikit-learn¶

Receiver Operating Characteristic (ROC) — Característica operativa del receptor (ROC)¶

Precision-Recall — Precisión-Exhaustividad¶

Plotting Learning Curves — Graficando curvas de aprendizaje¶

Statistical comparison of models using grid search — Comparación estadística de modelos utilizando la búsqueda en cuadrícula¶

Métodos multisalida¶

Ejemplos relacionados con el módulo sklearn.multioutput.

Classifier Chain — Cadenas de Clasificadores¶

Vecino más cercano¶

Ejemplos relacionados con el módulo sklearn.neighbors.

Nearest Neighbors regression — Regresión de Vecinos más Cercanos¶

Outlier detection with Local Outlier Factor (LOF) — Detección de valores atípicos con Local Outlier Factor (LOF)¶

Nearest Centroid Classification — Clasificación del Centroide más Cercano¶

Kernel Density Estimation — Estimación de Densidad Núcleo¶

Nearest Neighbors Classification — Clasificación de los Vecinos más Cercanos¶

Caching nearest neighbors — Almacenamiento en caché de los vecinos más cercanos¶

Neighborhood Components Analysis Illustration — Ilustración del Análisis de los Componentes del Vecindario (Neighborhood Components Analysis)¶

Novelty detection with Local Outlier Factor (LOF) — Detección de novedades con Local Outlier Factor (LOF)¶

Comparing Nearest Neighbors with and without Neighborhood Components Analysis — Comparación de Vecinos más Cercanos con y sin Análisis de Componentes del Vecindario¶

Dimensionality Reduction with Neighborhood Components Analysis — Reducción de dimensionalidad con Análisis de Componentes del Vecindario (Neighborhood Components Analysis)¶

Kernel Density Estimate of Species Distributions — Estimación de la Densidad del Núcleo de las Distribuciones de las Especies¶

Simple 1D Kernel Density Estimation — Estimación Simple de la Densidad Núcleo 1D¶

Approximate nearest neighbors in TSNE — Vecinos más cercanos aproximados en TSNE¶

Redes neuronales¶

Ejemplos relacionados con el módulo sklearn.neural_network.

Visualization of MLP weights on MNIST — Visualización de las ponderaciones del MLP en MNIST¶

Restricted Boltzmann Machine features for digit classification — Características de la Máquina de Boltzmann restringida para la clasificación de dígitos¶

Compare Stochastic learning strategies for MLPClassifier — Comparar las estrategias de aprendizaje estocástico para MLPClassifier¶

Varying regularization in Multi-layer Perceptron — Regularización Variable en el Perceptrón Multicapa¶

Pipelines y estimadores compuestos¶

Ejemplos de cómo componer transformadores y pipelines de otros estimadores. Ver la Manual de usuario.

Concatenating multiple feature extraction methods — Concatenación de múltiples métodos de extracción de características¶

Pipelining: chaining a PCA and a logistic regression — Pipelining: encadenamiento de un PCA y una regresión logística¶

Selecting dimensionality reduction with Pipeline and GridSearchCV — Selección de la reducción de la dimensionalidad con Pipeline y GridSearchCV¶

Column Transformer with Mixed Types — Transformador de columna con tipos mixtos¶

Column Transformer with Heterogeneous Data Sources — Transformador de columnas con fuentes de datos heterogéneas¶

Effect of transforming the targets in regression model — Efecto de la transformación de los objetivos en el modelo de regresión¶

Preprocesamiento¶

Ejemplos relacionados con el módulo sklearn.preprocessing.

Using KBinsDiscretizer to discretize continuous features — Usar KBinsDiscretizer para discretizar características continuas¶

Demonstrating the different strategies of KBinsDiscretizer — Demostrar las diferentes estrategias de KBinsDiscretizer¶

Importance of Feature Scaling — Importancia de escala de características¶

Map data to a normal distribution — Mapear datos a una distribución normal¶

Feature discretization — Discretización de la característica¶

Compare the effect of different scalers on data with outliers — Compara el efecto de los diferentes escaladores en los datos con los atípicos¶

Clasificación semi supervisada¶

Ejemplos relacionados con el módulo sklearn.semi_supervised.

Label Propagation learning a complex structure — Propagación de Etiquetas en el aprendizaje de una estructura compleja¶

Label Propagation digits: Demonstrating performance — Dígitos de Propagación de Etiquetas: Demostración del rendimiento¶

Decision boundary of semi-supervised classifiers versus SVM on the Iris dataset — Frontera de decisión de los clasificadores semisupervisados en comparación a SVM en el conjunto de datos Iris¶

Effect of varying threshold for self-training — Efecto de la variación del umbral de autoentrenamiento¶

Semi-supervised Classification on a Text Dataset — Clasificación Semisupervisada en un Conjunto de Datos de Texto¶

Label Propagation digits active learning — El aprendizaje activo de los dígitos de Propagación de Etiquetas¶

Ejercicios tutoriales¶

Ejercicios para los tutoriales

Digits Classification Exercise — Ejercicio de clasificación de dígitos¶

Cross-validation on Digits Dataset Exercise — Ejercicio de validación cruzada en el conjunto de datos Digits¶

SVM Exercise — Ejercicio SVM¶

Cross-validation on diabetes Dataset Exercise — Ejercicio de validación cruzada sobre el conjunto de datos de la diabetes¶

Trabajando con documentos de texto¶

Ejemplos relacionados con el módulo sklearn.feature_extraction.text.

FeatureHasher and DictVectorizer Comparison — Comparación entre FeatureHasher y DictVectorizer¶

Clustering text documents using k-means — Análisis de conglomerados en documentos de texto utilizando k-medias(k-means)¶

Classification of text documents using sparse features — Clasificación de documentos de texto utilizando características dispersas¶

Galería generada por Sphinx-Gallery