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
»
教程
scikit-learn 教程 0.21.x
使用 scikit-learn 介绍机器学习
机器学习:问题设置
加载示例数据集
学习和预测
模型持久化
规定
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
数据集
预估对象
监督学习:从高维观察预测输出变量
最近邻和维度惩罚
线性模型:从回归到稀疏
支持向量机(SVMs)
模型选择:选择估计量及其参数
分数和交叉验证分数
交叉验证生成器
网格搜索和交叉验证估计量
无监督学习: 寻求数据表示
聚类: 对样本数据进行分组
分解: 将一个信号转换成多个成份并且加载
把它们放在一起
模型管道化
用特征面进行人脸识别
开放性问题: 股票市场结构
寻求帮助
项目邮件列表
机器学习从业者的 Q&A 社区
处理文本数据
教程设置
加载这 20 个新闻组的数据集
从文本文件中提取特征
训练分类器
构建-pipeline(管道)
在测试集上的性能评估
使用网格搜索进行调参
练习
快速链接
选择正确的评估器(estimator.md)
外部资源,视频和谈话
« Previous
Next »