sklearn算法中的顶层设计

sklearn监督学习的各个模块

• neighbors近邻算法,svm支持向量机,kernal_ridge核岭回归,discriminant_analysis判别分析,linear_model广义线性模型
• ensemble集成方法,tree决策树,native_bayes朴素贝叶斯,cross_decomposition交叉分解,gaussian_process高斯过程
• neural_network多层神经网络,calibration概率校准,isotonk保序回归,feature_selection监督特征选择,multiclass多类多标签算法

sklearn无监督学习模块

• decomposition矩阵因子分解，cluster聚类分析，manifold流形学习，mixture高斯混合模型
• neural_network无监督神经网络,density密度估计,covariance协方差估计

sklearn数据变换模型

• feature_extraction特征抽取，feature_selection 特征选择，preprocessing数据预处理
• random_projection随机投影，kernel_approximation核逼近，pipline管道流

下面是一个sklearn的基本的类的内容，任何一个sklearn中实现的算法都会使用下边的一个或多个类

下面以svm为例，查看这个类中继承的类，可以在sklearn源码中查看，即可以通过查看函数six.with_metaclass（）中的参数得到，例如BaseSvm的该函数的参数是ABCMeta，BaseLibSVM，ClassifierMixin，同过这个函数的参数，可以构建下图所示的图：

下图中还列出了聚类算法和特征转化算法的网络继承图