面圈网
scikit-learn (sklearn) 0.21.3 官方文档中文版
  • 教程首页
  • 更多
    • 社区
    • 面经
    • 公司
    • 技术栈
    • 源码
    • 在线文稿
    • 资源下载
    • 书库
  • 登录
  • Introduction
  • 安装 scikit-learn
  • 1. 监督学习
    • 1.1. 广义线性模型
    • 1.2. 线性和二次判别分析
    • 1.3. 内核岭回归
    • 1.4. 支持向量机
    • 1.5. 随机梯度下降
    • 1.6. 最近邻
    • 1.7. 高斯过程
    • 1.8. 交叉分解
    • 1.9. 朴素贝叶斯
    • 1.10. 决策树
    • 1.11. 集成方法
    • 1.12. 多类和多标签算法
    • 1.13. 特征选择
    • 1.14. 半监督学习
    • 1.15. 等式回归
    • 1.16. 概率校准
    • 1.17. 神经网络模型（有监督）
  • 2. 无监督学习
    • 2.1. 高斯混合模型
    • 2.2. 流形学习
    • 2.3. 聚类
    • 2.4. 双聚类
    • 2.5. 分解成分中的信号（矩阵分解问题）
    • 2.6. 协方差估计
    • 2.7. 新奇和异常值检测
    • 2.8. 密度估计
    • 2.9. 神经网络模型（无监督）
  • 3. 模型选择和评估
    • 3.1. 交叉验证：评估估算器的表现
    • 3.2. 调整估计器的超参数
    • 3.3. 模型评估: 量化预测的质量
    • 3.4. 模型持久化
    • 3.5. 验证曲线: 绘制分数以评估模型
  • 4. 检验
    • 4.1. 部分依赖图
  • 5. 数据集转换
    • 5.1. Pipeline（管道）和 FeatureUnion（特征联合）: 合并的评估器
    • 5.2. 特征提取
    • 5.3 预处理数据
    • 5.4 缺失值插补
    • 5.5. 无监督降维
    • 5.6. 随机投影
    • 5.7. 内核近似
    • 5.8. 成对的矩阵, 类别和核函数
    • 5.9. 预测目标 (y) 的转换
  • 教程
    • 使用 scikit-learn 介绍机器学习
    • 关于科学数据处理的统计学习教程
      • 机器学习: scikit-learn 中的设置以及预估对象
      • 监督学习：从高维观察预测输出变量
      • 模型选择：选择估计量及其参数
      • 无监督学习: 寻求数据表示
      • 把它们放在一起
      • 寻求帮助
    • 处理文本数据
    • 选择正确的评估器(estimator.md)
    • 外部资源，视频和谈话
  • 常见问题
  • 时光轴
暂无相关搜索结果！

    4. 检验

    浏览 185 分享 2020-03-25 20:19:52
    • 4. 检验

      4. 检验

      • 4.1. 部分依赖图

      我们一直在努力

      apachecn/sklearn-doc-zh

      ML | ApacheCN

      上一节 目录 下一节
      您未登录，请先登录后再评论
      评论列表 正在加载评论...
      展开/收起文章目录
      分享，让知识传承更久远
      登录
      • 微信登录
      • 账号登录
      • 验证码登录
      忘记密码?

      没有帐户? 立即注册

      没有帐户? 立即注册