Skip to content

S
sklearn-doc-zh

OpenDocCN / sklearn-doc-zh

通知 3
Star 3
Fork 0
S
sklearn-doc-zh

前往新版Gitcode，体验更适合开发者的 AI 搜索 >>

提交 1f5c567e 编写于 作者: L loopyme
浏览文件
操作

Revert "批量调整2,3节目录" 

This reverts commit 186c46a7.
上级 186c46a7
展开全部 隐藏空白更改
内联 并排
Showing with 225 addition and 225 deletion
docs/19.md
浏览文件 @ 1f5c567e
# 2\. 无监督学习
* [2.1\. 高斯混合模型](/docs/20?id=_21-高斯混合模型)
* [2.1.1\. 高斯混合](/docs/20?id=_211-高斯混合)
* [2.1.1.1\. 优缺点 `GaussianMixture`](/docs/20?id=_2111-优缺点-`gaussianmixture`)
* [2.1.1.1.1\. 优点](/docs/20?id=_21111-优点)
* [2.1.1.1.2\. 缺点](/docs/20?id=_21112-缺点)
* [2.1.1.2\. 选择经典高斯混合模型中分量的个数](/docs/20?id=_2112-选择经典高斯混合模型中分量的个数)
* [2.1.1.3\. 估计算法期望最大化（EM）](/docs/20?id=_2113-估计算法期望最大化（em）)
* [2.1.2\. 变分贝叶斯高斯混合](/docs/20?id=_212-变分贝叶斯高斯混合)
* [2.1.2.1\. 估计算法: 变分推断（variational inference）](/docs/20?id=_2121-估计算法:-变分推断（variational-inference）)
* [2.1.2.1.1\. 优点](/docs/20?id=_21211-优点)
* [2.1.2.1.2\. 缺点](/docs/20?id=_21212-缺点)
* [2.1.2.2\. The Dirichlet Process（狄利克雷过程）](/docs/20?id=_2122-the-dirichlet-process（狄利克雷过程）)
* [2.2\. 流形学习](/docs/21?id=_22-流形学习)
* [2.2.1\. 介绍](/docs/21?id=_221-介绍)
* [2.2.2\. Isomap](/docs/21?id=_222-isomap)
* [2.2.2.1\. 复杂度](/docs/21?id=_2221-复杂度)
* [2.2.3\. 局部线性嵌入](/docs/21?id=_223-局部线性嵌入)
* [2.2.3.1\. 复杂度](/docs/21?id=_2231-复杂度)
* [2.2.4\. 改进型局部线性嵌入（MLLE）](/docs/21?id=_224-改进型局部线性嵌入（mlle）)
* [2.2.4.1\. 复杂度](/docs/21?id=_2241-复杂度)
* [2.2.5\. 黑塞特征映射（HE）](/docs/21?id=_225-黑塞特征映射（he）)
* [2.2.5.1\. 复杂度](/docs/21?id=_2251-复杂度)
* [2.2.6\. 谱嵌入](/docs/21?id=_226-谱嵌入)
* [2.2.6.1\. 复杂度](/docs/21?id=_2261-复杂度)
* [2.2.7\. 局部切空间对齐（LTSA）](/docs/21?id=_227-局部切空间对齐（ltsa）)
* [2.2.7.1\. 复杂度](/docs/21?id=_2271-复杂度)
* [2.2.8\. 多维尺度分析（MDS）](/docs/21?id=_228-多维尺度分析（mds）)
* [2.2.8.1\. 度量 MDS](/docs/21?id=_2281-度量-mds)
* [2.2.8.2\. 非度量 MDS](/docs/21?id=_2282-非度量-mds)
* [2.2.9\. t 分布随机邻域嵌入（t-SNE）](/docs/21?id=_229-t-分布随机邻域嵌入（t-sne）)
* [2.2.9.1\. 优化 t-SNE](/docs/21?id=_2291-优化-t-sne)
* [2.2.9.2\. Barnes-Hut t-SNE](/docs/21?id=_2292-barnes-hut-t-sne)
* [2.2.10\. 实用技巧](/docs/21?id=_2210-实用技巧)
* [2.3\. 聚类](/docs/22?id=_23-聚类)
* [2.3.1\. 聚类方法概述](/docs/22?id=_231-聚类方法概述)
* [2.3.2\. K-means](/docs/22?id=_232-k-means)
* [2.3.2.1\. 小批量 K-Means](/docs/22?id=_2321-小批量-k-means)
* [2.3.3\. Affinity Propagation](/docs/22?id=_233-affinity-propagation)
* [2.3.4\. Mean Shift](/docs/22?id=_234-mean-shift)
* [2.3.5\. Spectral clustering](/docs/22?id=_235-spectral-clustering)
* [2.3.5.1\. 不同的标记分配策略](/docs/22?id=_2351-不同的标记分配策略)
* [2.3.6\. 层次聚类](/docs/22?id=_236-层次聚类)
* [2.3.6.1\. Different linkage type: Ward, complete and average linkage](/docs/22?id=_2361-different-linkage-type:-ward,-complete-and-average-linkage)
* [2.3.6.2\. 添加连接约束](/docs/22?id=_2362-添加连接约束)
* [2.3.6.3\. Varying the metric](/docs/22?id=_2363-varying-the-metric)
* [2.3.7\. DBSCAN](/docs/22?id=_237-dbscan)
* [2.3.8\. Birch](/docs/22?id=_238-birch)
* [2.3.9\. 聚类性能度量](/docs/22?id=_239-聚类性能度量)
* [2.3.9.1\. 调整后的 Rand 指数](/docs/22?id=_2391-调整后的-rand-指数)
* [2.3.9.1.1\. 优点](/docs/22?id=_23911-优点)
* [2.3.9.1.2\. 缺点](/docs/22?id=_23912-缺点)
* [2.3.9.1.3\. 数学表达](/docs/22?id=_23913-数学表达)
* [2.3.9.2\. 基于 Mutual Information （互信息）的分数](/docs/22?id=_2392-基于-mutual-information-（互信息）的分数)
* [2.3.9.2.1\. 优点](/docs/22?id=_23921-优点)
* [2.3.9.2.2\. 缺点](/docs/22?id=_23922-缺点)
* [2.3.9.2.3\. 数学公式](/docs/22?id=_23923-数学公式)
* [2.3.9.3\. 同质性，完整性和 V-measure](/docs/22?id=_2393-同质性，完整性和-v-measure)
* [2.3.9.3.1\. 优点](/docs/22?id=_23931-优点)
* [2.3.9.3.2\. 缺点](/docs/22?id=_23932-缺点)
* [2.3.9.3.3\. 数学表达](/docs/22?id=_23933-数学表达)
* [2.3.9.4\. Fowlkes-Mallows 分数](/docs/22?id=_2394-fowlkes-mallows-分数)
* [2.3.9.4.1\. 优点](/docs/22?id=_23941-优点)
* [2.3.9.4.2\. 缺点](/docs/22?id=_23942-缺点)
* [2.3.9.5\. Silhouette 系数](/docs/22?id=_2395-silhouette-系数)
* [2.3.9.5.1\. 优点](/docs/22?id=_23951-优点)
* [2.3.9.5.2\. 缺点](/docs/22?id=_23952-缺点)
* [2.3.9.6\. Calinski-Harabaz 指数](/docs/22?id=_2396-calinski-harabaz-指数)
* [2.3.9.6.1\. 优点](/docs/22?id=_23961-优点)
* [2.3.9.6.2\. 缺点](/docs/22?id=_23962-缺点)
* [2.4\. 双聚类](/docs/23?id=_24-双聚类)
* [2.4.1\. Spectral Co-Clustering](/docs/23?id=_241-spectral-co-clustering)
* [2.4.1.1\. 数学公式](/docs/23?id=_2411-数学公式)
* [2.4.2\. Spectral Biclustering](/docs/23?id=_242-spectral-biclustering)
* [2.4.2.1\. 数学表示](/docs/23?id=_2421-数学表示)
* [2.4.3\. Biclustering 评测](/docs/23?id=_243-biclustering-评测)
* [2.5\. 分解成分中的信号（矩阵分解问题）](/docs/24?id=_25-分解成分中的信号（矩阵分解问题）)
* [2.5.1\. 主成分分析（PCA）](/docs/24?id=_251-主成分分析（pca）)
* [2.5.1.1\. 准确的PCA和概率解释（Exact PCA and probabilistic interpretation）](/docs/24?id=_2511-准确的pca和概率解释（exact-pca-and-probabilistic-interpretation）)
* [2.5.1.2\. 增量PCA (Incremental PCA)](/docs/24?id=_2512-增量pca-（incremental-pca)
* [2.5.1.3\. PCA 使用随机SVD](/docs/24?id=_2513-pca-使用随机svd)
* [2.5.1.4\. 核 PCA](/docs/24?id=_2514-核-pca)
* [2.5.1.5\. 稀疏主成分分析 ( SparsePCA 和 MiniBatchSparsePCA )](/docs/24?id=_2515-稀疏主成分分析-（-sparsepca-和-minibatchsparsepca-)
* [2.5.2\. 截断奇异值分解和隐语义分析](/docs/24?id=_252-截断奇异值分解和隐语义分析)
* [2.5.3\. 词典学习](/docs/24?id=_253-词典学习)
* [2.5.3.1\. 带有预计算词典的稀疏编码](/docs/24?id=_2531-带有预计算词典的稀疏编码)
* [2.5.3.2\. 通用词典学习](/docs/24?id=_2532-通用词典学习)
* [2.5.3.3\. 小批量字典学习](/docs/24?id=_2533-小批量字典学习)
* [2.5.4\. 因子分析](/docs/24?id=_254-因子分析)
* [2.5.5\. 独立成分分析（ICA）](/docs/24?id=_255-独立成分分析（ica）)
* [2.5.6\. 非负矩阵分解(NMF 或 NNMF)](/docs/24?id=_256-非负矩阵分解（nmf-或-nnmf)
* [2.5.6.1\. NMF 与 Frobenius 范数](/docs/24?id=_2561-nmf-与-frobenius-范数)
* [2.5.6.2\. 具有 beta-divergence 的 NMF](/docs/24?id=_2562-具有-beta-divergence-的-nmf)
* [2.5.7\. 隐 Dirichlet 分配（LDA）](/docs/24?id=_257-隐-dirichlet-分配（lda）)
* [2.6\. 协方差估计](/docs/25?id=_26-协方差估计)
* [2.7\. 经验协方差](/docs/26?id=_27-经验协方差)
* [2.8\. 收敛协方差](/docs/27?id=_28-收敛协方差)
* [2.8.1\. 基本收敛](/docs/27?id=_281-基本收敛)
* [2.8.2\. Ledoit-Wolf 收敛](/docs/27?id=_282-ledoit-wolf-收敛)
* [2.8.3\. Oracle 近似收缩](/docs/27?id=_283-oracle-近似收缩)
* [2.9\. 稀疏逆协方差](/docs/28?id=_29-稀疏逆协方差)
* [2.10\. Robust 协方差估计](/docs/29?id=_210-robust-协方差估计)
* [2.10.1\. 最小协方差决定](/docs/29?id=_2101-最小协方差决定)
* [2.11\. 新奇和异常值检测](/docs/30?id=_211-新奇和异常值检测)
* [2.11.1\. Novelty Detection（新奇检测）](/docs/30?id=_2111-novelty-detection（新奇检测）)
* [2.11.2\. Outlier Detection（异常值检测）](/docs/30?id=_2112-outlier-detection（异常值检测）)
* [2.11.2.1\. Fitting an elliptic envelope（椭圆模型拟合）](/docs/30?id=_21121-fitting-an-elliptic-envelope（椭圆模型拟合）)
* [2.11.2.2\. Isolation Forest（隔离森林）](/docs/30?id=_21122-isolation-forest（隔离森林）)
* [2.11.2.3\. Local Outlier Factor（局部异常系数）](/docs/30?id=_21123-local-outlier-factor（局部异常系数）)
* [2.11.2.4\. 一类支持向量机与椭圆模型与隔离森林与局部异常系数](/docs/30?id=_21124-一类支持向量机与椭圆模型与隔离森林与局部异常系数)
* [2.12\. 密度估计](/docs/31?id=_212-密度估计)
* [2.12.1\. 密度估计: 直方图](/docs/31?id=_2121-密度估计:-直方图)
* [2.12.2\. 核密度估计](/docs/31?id=_2122-核密度估计)
* [2.13\. 神经网络模型（无监督）](/docs/32?id=_213-神经网络模型（无监督）)
* [2.13.1\. 限制波尔兹曼机](/docs/32?id=_2131-限制波尔兹曼机)
* [2.13.1.1\. 图形模型和参数化](/docs/32?id=_21311-图形模型和参数化)
* [2.13.1.2\. 伯努利限制玻尔兹曼机](/docs/32?id=_21312-伯努利限制玻尔兹曼机)
* [2.13.1.3\. 随机最大似然学习](/docs/32?id=_21313-随机最大似然学习)
\ No newline at end of file
* [2.1\. 高斯混合模型](modules/mixture.html)
* [2.1.1\. 高斯混合](modules/mixture.html#id2)
* [2.1.1.1\. 优缺点 `GaussianMixture`](modules/mixture.html#gaussianmixture)
* [2.1.1.1.1\. 优点](modules/mixture.html#id3)
* [2.1.1.1.2\. 缺点](modules/mixture.html#id4)
* [2.1.1.2\. 选择经典高斯混合模型中分量的个数](modules/mixture.html#id5)
* [2.1.1.3\. 估计算法期望最大化（EM）](modules/mixture.html#em)
* [2.1.2\. 变分贝叶斯高斯混合](modules/mixture.html#bgmm)
* [2.1.2.1\. 估计算法: 变分推断（variational inference）](modules/mixture.html#variational-inference)
* [2.1.2.1.1\. 优点](modules/mixture.html#id8)
* [2.1.2.1.2\. 缺点](modules/mixture.html#id9)
* [2.1.2.2\. The Dirichlet Process（狄利克雷过程）](modules/mixture.html#the-dirichlet-process)
* [2.2\. 流形学习](modules/manifold.html)
* [2.2.1\. 介绍](modules/manifold.html#id2)
* [2.2.2\. Isomap](modules/manifold.html#isomap)
* [2.2.2.1\. 复杂度](modules/manifold.html#id4)
* [2.2.3\. 局部线性嵌入](modules/manifold.html#locally-linear-embedding)
* [2.2.3.1\. 复杂度](modules/manifold.html#id6)
* [2.2.4\. 改进型局部线性嵌入（MLLE）](modules/manifold.html#mlle)
* [2.2.4.1\. 复杂度](modules/manifold.html#id7)
* [2.2.5\. 黑塞特征映射（HE）](modules/manifold.html#he)
* [2.2.5.1\. 复杂度](modules/manifold.html#id8)
* [2.2.6\. 谱嵌入](modules/manifold.html#spectral-embedding)
* [2.2.6.1\. 复杂度](modules/manifold.html#id10)
* [2.2.7\. 局部切空间对齐（LTSA）](modules/manifold.html#ltsa)
* [2.2.7.1\. 复杂度](modules/manifold.html#id11)
* [2.2.8\. 多维尺度分析（MDS）](modules/manifold.html#mds)
* [2.2.8.1\. 度量 MDS](modules/manifold.html#id13)
* [2.2.8.2\. 非度量 MDS](modules/manifold.html#id14)
* [2.2.9\. t 分布随机邻域嵌入（t-SNE）](modules/manifold.html#t-t-sne)
* [2.2.9.1\. 优化 t-SNE](modules/manifold.html#id15)
* [2.2.9.2\. Barnes-Hut t-SNE](modules/manifold.html#barnes-hut-t-sne)
* [2.2.10\. 实用技巧](modules/manifold.html#id17)
* [2.3\. 聚类](modules/clustering.html)
* [2.3.1\. 聚类方法概述](modules/clustering.html#id2)
* [2.3.2\. K-means](modules/clustering.html#k-means)
* [2.3.2.1\. 小批量 K-Means](modules/clustering.html#mini-batch-kmeans)
* [2.3.3\. Affinity Propagation](modules/clustering.html#affinity-propagation)
* [2.3.4\. Mean Shift](modules/clustering.html#mean-shift)
* [2.3.5\. Spectral clustering](modules/clustering.html#spectral-clustering)
* [2.3.5.1\. 不同的标记分配策略](modules/clustering.html#id10)
* [2.3.6\. 层次聚类](modules/clustering.html#hierarchical-clustering)
* [2.3.6.1\. Different linkage type: Ward, complete and average linkage](modules/clustering.html#different-linkage-type-ward-complete-and-average-linkage)
* [2.3.6.2\. 添加连接约束](modules/clustering.html#id12)
* [2.3.6.3\. Varying the metric](modules/clustering.html#varying-the-metric)
* [2.3.7\. DBSCAN](modules/clustering.html#dbscan)
* [2.3.8\. Birch](modules/clustering.html#birch)
* [2.3.9\. 聚类性能度量](modules/clustering.html#clustering-evaluation)
* [2.3.9.1\. 调整后的 Rand 指数](modules/clustering.html#rand)
* [2.3.9.1.1\. 优点](modules/clustering.html#id24)
* [2.3.9.1.2\. 缺点](modules/clustering.html#id25)
* [2.3.9.1.3\. 数学表达](modules/clustering.html#id26)
* [2.3.9.2\. 基于 Mutual Information （互信息）的分数](modules/clustering.html#mutual-information)
* [2.3.9.2.1\. 优点](modules/clustering.html#id27)
* [2.3.9.2.2\. 缺点](modules/clustering.html#id28)
* [2.3.9.2.3\. 数学公式](modules/clustering.html#id29)
* [2.3.9.3\. 同质性，完整性和 V-measure](modules/clustering.html#v-measure)
* [2.3.9.3.1\. 优点](modules/clustering.html#id32)
* [2.3.9.3.2\. 缺点](modules/clustering.html#id33)
* [2.3.9.3.3\. 数学表达](modules/clustering.html#id34)
* [2.3.9.4\. Fowlkes-Mallows 分数](modules/clustering.html#fowlkes-mallows)
* [2.3.9.4.1\. 优点](modules/clustering.html#id35)
* [2.3.9.4.2\. 缺点](modules/clustering.html#id36)
* [2.3.9.5\. Silhouette 系数](modules/clustering.html#silhouette)
* [2.3.9.5.1\. 优点](modules/clustering.html#id37)
* [2.3.9.5.2\. 缺点](modules/clustering.html#id38)
* [2.3.9.6\. Calinski-Harabaz 指数](modules/clustering.html#calinski-harabaz)
* [2.3.9.6.1\. 优点](modules/clustering.html#id39)
* [2.3.9.6.2\. 缺点](modules/clustering.html#id40)
* [2.4\. 双聚类](modules/biclustering.html)
* [2.4.1\. Spectral Co-Clustering](modules/biclustering.html#spectral-co-clustering)
* [2.4.1.1\. 数学公式](modules/biclustering.html#id2)
* [2.4.2\. Spectral Biclustering](modules/biclustering.html#spectral-biclustering)
* [2.4.2.1\. 数学表示](modules/biclustering.html#id4)
* [2.4.3\. Biclustering 评测](modules/biclustering.html#biclustering-evaluation)
* [2.5\. 分解成分中的信号（矩阵分解问题）](modules/decomposition.html)
* [2.5.1\. 主成分分析（PCA）](modules/decomposition.html#pca)
* [2.5.1.1\. 准确的PCA和概率解释（Exact PCA and probabilistic interpretation）](modules/decomposition.html#pca-exact-pca-and-probabilistic-interpretation)
* [2.5.1.2\. 增量PCA (Incremental PCA)](modules/decomposition.html#pca-incremental-pca)
* [2.5.1.3\. PCA 使用随机SVD](modules/decomposition.html#pca-svd)
* [2.5.1.4\. 核 PCA](modules/decomposition.html#kernel-pca)
* [2.5.1.5\. 稀疏主成分分析 ( SparsePCA 和 MiniBatchSparsePCA )](modules/decomposition.html#sparsepca-minibatchsparsepca)
* [2.5.2\. 截断奇异值分解和隐语义分析](modules/decomposition.html#lsa)
* [2.5.3\. 词典学习](modules/decomposition.html#dictionarylearning)
* [2.5.3.1\. 带有预计算词典的稀疏编码](modules/decomposition.html#sparsecoder)
* [2.5.3.2\. 通用词典学习](modules/decomposition.html#id9)
* [2.5.3.3\. 小批量字典学习](modules/decomposition.html#minibatchdictionarylearning)
* [2.5.4\. 因子分析](modules/decomposition.html#fa)
* [2.5.5\. 独立成分分析（ICA）](modules/decomposition.html#ica)
* [2.5.6\. 非负矩阵分解(NMF 或 NNMF)](modules/decomposition.html#nmf-nnmf)
* [2.5.6.1\. NMF 与 Frobenius 范数](modules/decomposition.html#nmf-frobenius)
* [2.5.6.2\. 具有 beta-divergence 的 NMF](modules/decomposition.html#beta-divergence-nmf)
* [2.5.7\. 隐 Dirichlet 分配（LDA）](modules/decomposition.html#dirichlet-lda)
* [2.6\. 协方差估计](modules/covariance.html)
* [2.7\. 经验协方差](modules/covariance.html#id2)
* [2.8\. 收敛协方差](modules/covariance.html#shrunk-covariance)
* [2.8.1\. 基本收敛](modules/covariance.html#id4)
* [2.8.2\. Ledoit-Wolf 收敛](modules/covariance.html#ledoit-wolf)
* [2.8.3\. Oracle 近似收缩](modules/covariance.html#oracle)
* [2.9\. 稀疏逆协方差](modules/covariance.html#sparse-inverse-covariance)
* [2.10\. Robust 协方差估计](modules/covariance.html#robust)
* [2.10.1\. 最小协方差决定](modules/covariance.html#id11)
* [2.11\. 新奇和异常值检测](modules/outlier_detection.html)
* [2.11.1\. Novelty Detection（新奇检测）](modules/outlier_detection.html#novelty-detection)
* [2.11.2\. Outlier Detection（异常值检测）](modules/outlier_detection.html#id2)
* [2.11.2.1\. Fitting an elliptic envelope（椭圆模型拟合）](modules/outlier_detection.html#fitting-an-elliptic-envelope)
* [2.11.2.2\. Isolation Forest（隔离森林）](modules/outlier_detection.html#isolation-forest)
* [2.11.2.3\. Local Outlier Factor（局部异常系数）](modules/outlier_detection.html#local-outlier-factor)
* [2.11.2.4\. 一类支持向量机与椭圆模型与隔离森林与局部异常系数](modules/outlier_detection.html#id4)
* [2.12\. 密度估计](modules/density.html)
* [2.12.1\. 密度估计: 直方图](modules/density.html#id2)
* [2.12.2\. 核密度估计](modules/density.html#kernel-density)
* [2.13\. 神经网络模型（无监督）](modules/neural_networks_unsupervised.html)
* [2.13.1\. 限制波尔兹曼机](modules/neural_networks_unsupervised.html#rbm)
* [2.13.1.1\. 图形模型和参数化](modules/neural_networks_unsupervised.html#id3)
* [2.13.1.2\. 伯努利限制玻尔兹曼机](modules/neural_networks_unsupervised.html#id4)
* [2.13.1.3\. 随机最大似然学习](modules/neural_networks_unsupervised.html#sml)
\ No newline at end of file
docs/33.md
浏览文件 @ 1f5c567e
此差异已折叠。
Markdown is supported
0% 或 .
You are about to add 0 people to the discussion. Proceed with caution.
先完成此消息的编辑！
想要评论请 注册 或