Klassifikation
Identifizieren, zu welcher Kategorie ein Objekt gehört.
Anwendungen: Spam-Erkennung, Bilderkennung.
Algorithmen: Gradient Boosting, Nächste Nachbarn, Random Forest, Logistische Regression und mehr...
Regression
Vorhersage eines kontinuierlichen Attributs, das mit einem Objekt verbunden ist.
Anwendungen: Medikamentenreaktion, Aktienkurse.
Algorithmen: Gradient Boosting, Nächste Nachbarn, Random Forest, Ridge und mehr...
Clustering
Automatische Gruppierung ähnlicher Objekte in Mengen.
Anwendungen: Kundensegmentierung, Gruppierung von Experimentergebnissen.
Algorithmen: k-Means, HDBSCAN, Hierarchisches Clustering und mehr...
Dimensionsreduktion
Reduzierung der Anzahl der zu berücksichtigenden Zufallsvariablen.
Anwendungen: Visualisierung, erhöhte Effizienz.
Algorithmen: PCA, Feature-Auswahl, Non-negative Matrix Factorization und mehr...
Modellauswahl
Vergleich, Validierung und Auswahl von Parametern und Modellen.
Anwendungen: Verbesserte Genauigkeit durch Parameter-Tuning.
Algorithmen: Grid Search, Kreuzvalidierung, Metriken und mehr...
Vorverarbeitung
Feature-Extraktion und Normalisierung.
Anwendungen: Transformation von Eingabedaten wie Text für die Verwendung mit Machine-Learning-Algorithmen.
Algorithmen: Vorverarbeitung, Feature-Extraktion und mehr...
"Wir nutzen scikit-learn zur Unterstützung bahnbrechender Grundlagenforschung [...]"
"Ich glaube, es ist das am besten gestaltete ML-Paket, das ich bisher gesehen habe."
"Die Benutzerfreundlichkeit, Leistung und die allgemeine Vielfalt der implementierten Algorithmen von scikit-learn haben sich als unschätzbar erwiesen [...]"
"Der große Vorteil von scikit-learn ist seine schnelle Lernkurve [...]"
"Es ermöglicht uns, AWesome Dinge zu tun, die wir sonst nicht erreichen würden."
"scikit-learn macht fortgeschrittene Analysen in Python für jedermann zugänglich."
