Scikit-learn Framework

Scikit-Learn
juan

Nota: (Scikit-learn es una biblioteca para aprendizaje automático de software libre para el lenguaje de programación Python. Incluye varios algoritmos de clasificación, regresión y análisis de grupos entre los cuales están máquinas de vectores de soporte, bosques aleatorios, Gradient boosting, K-means y DBSCAN. Está diseñada para interoperar con las bibliotecas numéricas y científicas NumPy y SciPy).

 

(Scikit-learn)-(Framework)

-. Scikit-learn está escrita principalmente en Python, con algunos algoritmos de núcleo escritos en Cython para conseguir mayor rendimiento. Las máquinas de vectores de soporte están implementadas por una conexión en Cython a LIBSVM; de forma similar, logistic regresión y máquinas de vectores de soporte lineales llaman a la biblioteca LIBLINEAR.

 

  • Algoritmos Clasificación: Identificar a qué categoría pertenece un objeto.
  • Aplicaciones: Detección de spam, reconocimiento de imágenes.
  • Algoritmos: SVM , vecinos más cercanos , bosque aleatorio

 

  • Algoritmos Regresión: Predecir un atributo de valor continuo asociado con un objeto.
  • Aplicaciones: Respuesta a medicamentos, Precios de acciones.
  • Algoritmos: SVR , vecinos más cercanos , bosque aleatorio

 

  • Algoritmos Clustering: Agrupación automática de objetos similares en conjuntos.
  • Aplicaciones: segmentación de clientes, agrupación de resultados de experimentos
  • Algoritmos: k-Means , agrupamiento espectral , desplazamiento medio

 

  • Algoritmos Reducción de dimensionalidad:Reducir el número de variables aleatorias a considerar.
  • Aplicaciones: visualización, aumento de la eficiencia
  • Algoritmos: k-Means , selección de características , factorización de matrices no negativas

 

  • Algoritmos Selección de modelo: Comparar, validar y elegir parámetros y modelos.
  • Aplicaciones: precisión mejorada mediante el ajuste de parámetros
  • Algoritmos: búsqueda en cuadrícula , validación cruzada , métricas

 

  • Algoritmos Preprocesamiento:Extracción y normalización de características.
  • Aplicaciones: transformación de datos de entrada, como texto, para su uso con algoritmos de aprendizaje automático.
  • Algoritmos: preprocesamiento , extracción de características

 

 

Recopilando:

Análisis de Frameworks Scikit-learn, que son sus características y principales algoritmos. La base de estos apuntes https://scikit-learn.org/stable/