scikit-learn (sklearn) 官方文档中文版

白天 夜间 首页 下载 阅读记录
  我的书签   添加书签   移除书签

演示文档

浏览 214 扫码 分享 2022-06-02 11:10:20
    • 其他示例
    • 双聚类
      • 频谱共聚算法演示
      • 频谱双聚类算法演示
      • 使用频谱共聚算法对文档进行聚合
    • 校准
    • 分类
    • 多聚类
    • 协方差估计
    • 交叉分解
    • 数据集示例
    • 决策树
    • 分解
    • 集成方法
    • 基于真实数据集的示例
    • 特征选择
    • 高斯混合模型
    • 高斯机器学习过程
    • 广义线性模型
      • Lasso 和弹性网络在稀疏信号上的表现
      • Lasso 和弹性网络
      • Lasso 模型选择:交叉验证 / AIC / BIC
      • 多任务 Lasso 实现联合特征选择
      • 线性回归示例
      • 岭系数对回归系数的影响
      • 压缩感知:用L1先验概率进行断层重建
    • 检查
    • 流行学习
    • 缺失值插补
    • 选型
    • 多输出方法
    • 最近邻
    • 神经网络
    • 管道和复合估计器
    • 预处理
    • 发布要点
    • 半监督分类
    • 支持向量机
    • 建成练习
    • 文本文档工作
      • 分类特征稀疏的文本

    若有收获,就点个赞吧

    0 人点赞

    上一篇:
    下一篇:
    • 书签
    • 添加书签 移除书签
    • 演示文档
    • 文档内容汇总
    • 贡献指南
    • 内容导航
    • scikit-learn (sklearn) 官方文档中文版
    • Scikit-Learn
    • 频谱双聚类算法演示
    • 频谱共聚算法演示
    • 使用频谱共聚算法对文档进行聚合
    • 分类特征稀疏的文本
    • Lasso和Elastic Net(弹性网络)在稀疏信号上的表现
    • Lasso和Elastic Net(弹性网络)
    • Lasso模型选择:交叉验证 / AIC / BIC
    • 多任务Lasso实现联合特征选择
    • 线性回归
    • 岭系数对回归系数的影响
    • 压缩感知_断层重建
    • 示例
    • 1. 监督学习
    • 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
    • 1.1. 广义线性模型
    • 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. 新奇点和离群点检测
    • 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
    • 1.2. 线性和二次判别分析
    • 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
    • 1.3. 内核岭回归
    • 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
    • 6. 数据集加载工具
    • 7. 使用scikit-learn计算
    • 1.4. 支持向量机
    • scikit-learn 教程 0.21.x
    • 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
    • 1.5. 随机梯度下降
    • 选择正确的评估器(estimator)
    • 外部资源,视频和谈话
    • 安装 scikit-learn
    • 常见问题
    • 时光轴详情
    • 1.6. 最近邻
    • 1.7. 高斯过程
    • 1.8. 交叉分解
    暂无相关搜索结果!

      让时间为你证明

      展开/收起文章目录

      分享,让知识传承更久远

      文章二维码

      手机扫一扫,轻松掌上读

      文档下载

      请下载您需要的格式的文档,随时随地,享受汲取知识的乐趣!
      PDF文档 EPUB文档 MOBI文档

      书签列表

        阅读记录

        阅读进度: 0.00% ( 0/0 ) 重置阅读进度

          思维导图备注