sklearn
  • sklearn 中文文档
  • 安装 scikit-learn

1. 监督学习

  • 1.0 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

  • 2.0 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

  • 3.0 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

  • 4.0 检验
  • 4.1. 部分依赖图

5. 数据集转换

  • 5.0 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

6. 数据集加载工具

  • 6.0 数据集加载工具
  • 6.1. 通用数据集 API
  • 6.2. 玩具数据集
  • 6.3 真实世界中的数据集
  • 6.4. 样本生成器
  • 6.5. 加载其他数据集

7. 使用scikit-learn计算

  • 7.0 使用scikit-learn计算
  • 7.1. 大规模计算的策略: 更大量的数据
  • 7.2. 计算性能
  • 7.3. 并行性、资源管理和配置
  • 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

  • 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
  • API 参考
  • 常见问题
  • 时光轴
sklearn
  • Docs »
  • 4. 检验 »
  • 4.0 检验

4. 检验

  • 4.1. 部分依赖图
Next Previous

sklearn PythonOK 协议:CC BY-NC-SA 4.0

Built with MkDocs using a theme provided by Read the Docs.
« Previous Next »