《sklearn中文文档_共932页》pdf电子书免费下载
下载方式一：
百度网盘下载地址：https://pan.baidu.com/s/1ewakYSCy-uxLASUoYmhyQw
百度网盘密码：1111
下载方式二：
http://ziliaoshare.cn/Download/af_124240_pd_sklearnZWWD_G932Y.zip
|
|
作者：empty 页数：932 出版社：empty |
《sklearn中文文档_共932页》介绍
贡献指南项目当前处于校对阶段，请查看贡献指南，并在整体进度中领取任务。请您勇敢地去翻译和改进翻译。虽然我们追求卓越，但我们并不要求您做到十全十美，因此请不要担心因为翻译上犯错——在大部分情况下，我们的服务器已经记录所有的翻译，因此您不必担心会因为您的失误遭到无法挽回的破坏。(改编自维基百科)
如果您还没有安装NumPy或SciPy， 还可以使用cond a或pip来安装它们。当使用pip时， 请确保使用了binary wheels， 并且NumPy和SciPy不会从源重新编译， 这可能在使用操作系统和硬件的特定配置(如RaspberryPi上的Linux) 时发生。从源代码构建numpy和scipy可能是复杂的(特别是在Windows上) ， 并且需要仔细配置， 以确保它们与线性代数程序的优化实现链接。而是使用如下所述的第三方发行版。如果您必须安装scikit-learn及其与pip的依赖关系， 则可以将其安装为scikit-learn[all deps] 。最常见的用例是requirements.txt用作Pa aS应用程序或Docker映像的自动构建过程的一部分的文件。此选项不适用于从命令行进行手动安装。注意在PyPy上安装时， 需要注意PyPy 3-v 5.10+、Numpy 1.14.0+和scipy
《sklearn中文文档_共932页》目录
用户指南
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.朴秦贝叶斯
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
3.模型选择和评估
2.1.高斯混合模型
2.2.流形学习
2.3.聚类
2.4.双聚类
6.2.玩具数据集
6.5.加载其他数据集
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)
3.1.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
使用sci kit-learn介绍机器学习
5.1.Pipeline(管道) 和Feature Unin(特征联合) ：合并的评
估器1.3.5.1
5.2.特征提取1.3.5.2
5.3预处理数据1.3.5.3
5.4缺失值插补1.3.5.4
5.5.无监督降维1.3.5.5
5.6.随机投影1.3.5.6
5.7.内核近似1.3.5.7
5.8.成对的矩阵，类别和核函数1.3.5.8
5.9.预测目标(y)的转换1.3.5.9
6.数据集加载工具1.3.6
6.1.通用数据集API1.3.6.1
6.3真实世界中的数据集1.3.6.3
6.4.样本生成器1.3.6.4
7.使用sci kit-learn计算1.3.7
教程1.4
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
关于科学数据处理的统计学习教程
机器学习：sci kit-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(estimatr.md)
外部资源，视频和谈话
API参考
常见问题
时光轴
sci kit-learn(sk learn)
sci kit-learn是基于Pythn语言的机器学习工具
1.简单高效的数据挖掘和数据分析工具
2.可供大家在各种环境中重复使用
3.建立在NumPy， SciPy和matpltlib上
4.开源， 可商业使用-BSD许可证
·安装sci kit-learn
·用户指南
1.监督学习
m1.1.广义线性模型
m1.2.线性和二次判别分析
m1.3.内核哈回归
m1.4.支持向量机
m1.5.随机梯度下降
m1.6.最近邻
1.7.高斯过程
w1.8.交叉分解
w1.9.朴素贝叶斯
w1.10.决策树
m1.11.集成方法
m1.12.多类和多标签算法
m1.13.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
w2.2.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)
·3.1.交叉验证：评估估算器的表现
w3.2.调整估计器的超参数
m3.3.模型评估：量化预测的质量
·3.4.模型持久化
m3.5.验证曲线：绘制分数以评估模型
3.模型选择和评估
4.检验
w4.1.部分依赖图
5.数据集转换
6.数据集加载工具
7.使用sci kit-learn计算
教程
使用sci kit-learn介绍机器学习
关于科学数据处理的统计学习教程
·5.1.Pipeline(管道) 和Feature Unin(特征联合) ：合并的评
估器
5.2.特征提取
m5.3预处理数据
m5.4缺失值插补
m5.5.无监督降维
m5.6.随机投影
5.7.内核近似
m5.8.成对的矩阵，类别和核函数
5.9.预测目标(y)的转换
w 6.1.通用数据集API
m6.2.玩具数据集
m6.3真实世界中的数据集
w6.4.样本生成器
6.5.加载其他数据集
w7.1.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
·机器学习：sci kit-leam中的设置