随時追加削除予定
#入門用
Qiita
scikit-learn（sklearn）の使い方
https://qiita.com/kenta1984/items/c2f3b2609071717dcf71
サイキットラーン公式を引用しつつとりあえずサクッと分析ができる内容を説明
スケーリングのための minimax_scale 関数や train_test_split 関数での分割
正解率（accuracy）、適合率（precision）、再現率（recall）を出したい場合もある
scikit-learn で線形回帰 (単回帰分析・重回帰分析)
https://pythondatascience.plavox.info/scikit-learn/線形回帰
Qiita
ROC曲線とAUCについて定義と関係性をまとめたよ
https://qiita.com/koyamauchi/items/a2ed9f638b51f3b22cd6
前処理大全と言う本が良著らしい
https://www.amazon.co.jp/dp/B07C3JFK3V/ref=dp-kindle-redirect?_encoding=UTF8&btkr=1
#不平衡データ
データサイエンティスト(仮)
Pythonでデータ分析：imbalanced-learnで不均衡データのサンプリングを行う
http://tekenuko.hatenablog.com/entry/2017/12/11/214522
これはすごい！sklearn.datasets.make_classification関数でダミーデータを作る方法が書いてある！
imbalanced-learnパッケージでSMOTEも使っている
imbalanced-learn API — imbalanced-learn 0.3.0 documentation
Qiita
[Python]不均衡データ分類問題に対する定番アプローチ：under sampling + baggingを実装したよ
https://qiita.com/nekoumei/items/6448a86a8d255619c4f4
これもすごい。UnderSampling + Bagging を実装している
imblearnのBalancedBaggingClassifierが適切らしい。汎化性能高いぞ
TJOもRでやっている
https://tjo.hatenablog.com/entry/2017/08/11/162057
不均衡データにおけるsampling
https://qiita.com/shima_x/items/370587304ef17e7a61b8
アルゴリズムベースの方が、データレベルアプローチよりもロバストな結果になったそうです
アルゴリズムベースは、SVMに重み調整したものではないかと・・・