Skip to content

S
sklearn-doc-zh

OpenDocCN / sklearn-doc-zh

通知 4
Star 3
Fork 0
S
sklearn-doc-zh

体验新版 GitCode，发现更多精彩内容 >>

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
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
# 3\. 模型选择和评估
* [3.1\. 交叉验证：评估估算器的表现](/docs/34?id=_31-交叉验证：评估估算器的表现)
* [3.1.1\. 计算交叉验证的指标](/docs/34?id=_311-计算交叉验证的指标)
* [3.1.1.1\. cross_validate 函数和多度量评估](/docs/34?id=_3111-cross_validate-函数和多度量评估)
* [3.1.1.2\. 通过交叉验证获取预测](/docs/34?id=_3112-通过交叉验证获取预测)
* [3.1.2\. 交叉验证迭代器](/docs/34?id=_312-交叉验证迭代器)
* [3.1.3\. 交叉验证迭代器–循环遍历数据](/docs/34?id=_313-交叉验证迭代器–循环遍历数据)
* [3.1.3.1\. K 折](/docs/34?id=_3131-k-折)
* [3.1.3.2\. 重复 K-折交叉验证](/docs/34?id=_3132-重复-k-折交叉验证)
* [3.1.3.3\. 留一交叉验证 (LOO)](/docs/34?id=_3133-留一交叉验证-（loo)
* [3.1.3.4\. 留 P 交叉验证 (LPO)](/docs/34?id=_3134-留-p-交叉验证-（lpo)
* [3.1.3.5\. 随机排列交叉验证 a.k.a. Shuffle & Split](/docs/34?id=_3135-随机排列交叉验证-aka-shuffle-&-split)
* [3.1.4\. 基于类标签、具有分层的交叉验证迭代器](/docs/34?id=_314-基于类标签、具有分层的交叉验证迭代器)
* [3.1.4.1\. 分层 k 折](/docs/34?id=_3141-分层-k-折)
* [3.1.4.2\. 分层随机 Split](/docs/34?id=_3142-分层随机-split)
* [3.1.5\. 用于分组数据的交叉验证迭代器](/docs/34?id=_315-用于分组数据的交叉验证迭代器)
* [3.1.5.1\. 组 k-fold](/docs/34?id=_3151-组-k-fold)
* [3.1.5.2\. 留一组交叉验证](/docs/34?id=_3152-留一组交叉验证)
* [3.1.5.3\. 留 P 组交叉验证](/docs/34?id=_3153-留-p-组交叉验证)
* [3.1.5.4\. Group Shuffle Split](/docs/34?id=_3154-group-shuffle-split)
* [3.1.6\. 预定义的折叠 / 验证集](/docs/34?id=_316-预定义的折叠-/-验证集)
* [3.1.7\. 交叉验证在时间序列数据中应用](/docs/34?id=_317-交叉验证在时间序列数据中应用)
* [3.1.7.1\. 时间序列分割](/docs/34?id=_3171-时间序列分割)
* [3.1.8\. A note on shuffling](/docs/34?id=_318-a-note-on-shuffling)
* [3.1.9\. 交叉验证和模型选择](/docs/34?id=_319-交叉验证和模型选择)
* [3.2\. 调整估计器的超参数](/docs/35?id=_32-调整估计器的超参数)
* [3.2.1\. 网格追踪法–穷尽的网格搜索](/docs/35?id=_321-网格追踪法–穷尽的网格搜索)
* [3.2.2\. 随机参数优化](/docs/35?id=_322-随机参数优化)
* [3.2.3\. 参数搜索技巧](/docs/35?id=_323-参数搜索技巧)
* [3.2.3.1\. 指定目标度量](/docs/35?id=_3231-指定目标度量)
* [3.2.3.2\. 为评估指定多个指标](/docs/35?id=_3232-为评估指定多个指标)
* [3.2.3.3\. 复合估计和参数空间](/docs/35?id=_3233-复合估计和参数空间)
* [3.2.3.4\. 模型选择：开发和评估](/docs/35?id=_3234-模型选择：开发和评估)
* [3.2.3.5\. 并行机制](/docs/35?id=_3235-并行机制)
* [3.2.3.6\. 对故障的鲁棒性](/docs/35?id=_3236-对故障的鲁棒性)
* [3.2.4\. 暴力参数搜索的替代方案](/docs/35?id=_324-暴力参数搜索的替代方案)
* [3.2.4.1\. 模型特定交叉验证](/docs/35?id=_3241-模型特定交叉验证)
* [3.2.4.1.1\. `sklearn.linear_model`.ElasticNetCV](/docs/35?id=_32411-`sklearnlinear_model`elasticnetcv)
* [3.2.4.1.2\. `sklearn.linear_model`.LarsCV](/docs/35?id=_32412-`sklearnlinear_model`larscv)
* [3.2.4.1.3\. `sklearn.linear_model`.LassoCV](/docs/35?id=_32413-`sklearnlinear_model`lassocv)
* [3.2.4.1.3.1\. Examples using `sklearn.linear_model.LassoCV`](/docs/35?id=_324131-examples-using-`sklearnlinear_modellassocv`)
* [3.2.4.1.4\. `sklearn.linear_model`.LassoLarsCV](/docs/35?id=_32414-`sklearnlinear_model`lassolarscv)
* [3.2.4.1.4.1\. Examples using `sklearn.linear_model.LassoLarsCV`](/docs/35?id=_324141-examples-using-`sklearnlinear_modellassolarscv`)
* [3.2.4.1.5\. `sklearn.linear_model`.LogisticRegressionCV](/docs/35?id=_32415-`sklearnlinear_model`logisticregressioncv)
* [3.2.4.1.6\. `sklearn.linear_model`.MultiTaskElasticNetCV](/docs/35?id=_32416-`sklearnlinear_model`multitaskelasticnetcv)
* [3.2.4.1.7\. `sklearn.linear_model`.MultiTaskLassoCV](/docs/35?id=_32417-`sklearnlinear_model`multitasklassocv)
* [3.2.4.1.8\. `sklearn.linear_model`.OrthogonalMatchingPursuitCV](/docs/35?id=_32418-`sklearnlinear_model`orthogonalmatchingpursuitcv)
* [3.2.4.1.8.1\. Examples using `sklearn.linear_model.OrthogonalMatchingPursuitCV`](/docs/35?id=_324181-examples-using-`sklearnlinear_modelorthogonalmatchingpursuitcv`)
* [3.2.4.1.9\. `sklearn.linear_model`.RidgeCV](/docs/35?id=_32419-`sklearnlinear_model`ridgecv)
* [3.2.4.1.9.1\. Examples using `sklearn.linear_model.RidgeCV`](/docs/35?id=_324191-examples-using-`sklearnlinear_modelridgecv`)
* [3.2.4.1.10\. `sklearn.linear_model`.RidgeClassifierCV](/docs/35?id=_324110-`sklearnlinear_model`ridgeclassifiercv)
* [3.2.4.2\. 信息标准](/docs/35?id=_3242-信息标准)
* [3.2.4.2.1\. `sklearn.linear_model`.LassoLarsIC](/docs/35?id=_32421-`sklearnlinear_model`lassolarsic)
* [3.2.4.2.1.1\. Examples using `sklearn.linear_model.LassoLarsIC`](/docs/35?id=_324211-examples-using-`sklearnlinear_modellassolarsic`)
* [3.2.4.3\. 出袋估计](/docs/35?id=_3243-出袋估计)
* [3.2.4.3.1\. `sklearn.ensemble`.RandomForestClassifier](/docs/35?id=_32431-`sklearnensemble`randomforestclassifier)
* [3.2.4.3.1.1\. Examples using `sklearn.ensemble.RandomForestClassifier`](/docs/35?id=_324311-examples-using-`sklearnensemblerandomforestclassifier`)
* [3.2.4.3.2\. `sklearn.ensemble`.RandomForestRegressor](/docs/35?id=_32432-`sklearnensemble`randomforestregressor)
* [3.2.4.3.2.1\. Examples using `sklearn.ensemble.RandomForestRegressor`](/docs/35?id=_324321-examples-using-`sklearnensemblerandomforestregressor`)
* [3.2.4.3.3\. `sklearn.ensemble`.ExtraTreesClassifier](/docs/35?id=_32433-`sklearnensemble`extratreesclassifier)
* [3.2.4.3.3.1\. Examples using `sklearn.ensemble.ExtraTreesClassifier`](/docs/35?id=_324331-examples-using-`sklearnensembleextratreesclassifier`)
* [3.2.4.3.4\. `sklearn.ensemble`.ExtraTreesRegressor](/docs/35?id=_32434-`sklearnensemble`extratreesregressor)
* [3.2.4.3.4.1\. Examples using `sklearn.ensemble.ExtraTreesRegressor`](/docs/35?id=_324341-examples-using-`sklearnensembleextratreesregressor`)
* [3.2.4.3.5\. `sklearn.ensemble`.GradientBoostingClassifier](/docs/35?id=_32435-`sklearnensemble`gradientboostingclassifier)
* [3.2.4.3.5.1\. Examples using `sklearn.ensemble.GradientBoostingClassifier`](/docs/35?id=_324351-examples-using-`sklearnensemblegradientboostingclassifier`)
* [3.2.4.3.6\. `sklearn.ensemble`.GradientBoostingRegressor](/docs/35?id=_32436-`sklearnensemble`gradientboostingregressor)
* [3.2.4.3.6.1\. Examples using `sklearn.ensemble.GradientBoostingRegressor`](/docs/35?id=_324361-examples-using-`sklearnensemblegradientboostingregressor`)
* [3.3\. 模型评估: 量化预测的质量](/docs/36?id=_33-模型评估:-量化预测的质量)
* [3.3.1\. `scoring` 参数: 定义模型评估规则](/docs/36?id=_331-`scoring`-参数:-定义模型评估规则)
* [3.3.1.1\. 常见场景: 预定义值](/docs/36?id=_3311-常见场景:-预定义值)
* [3.3.1.2\. 根据 metric 函数定义您的评分策略](/docs/36?id=_3312-根据-metric-函数定义您的评分策略)
* [3.3.1.3\. 实现自己的记分对象](/docs/36?id=_3313-实现自己的记分对象)
* [3.3.1.4\. 使用多个指数评估](/docs/36?id=_3314-使用多个指数评估)
* [3.3.2\. 分类指标](/docs/36?id=_332-分类指标)
* [3.3.2.1\. 从二分到多分类和 multilabel](/docs/36?id=_3321-从二分到多分类和-multilabel)
* [3.3.2.2\. 精确度得分](/docs/36?id=_3322-精确度得分)
* [3.3.2.3\. Cohen’s kappa](/docs/36?id=_3323-cohen’s-kappa)
* [3.3.2.4\. 混淆矩阵](/docs/36?id=_3324-混淆矩阵)
* [3.3.2.5\. 分类报告](/docs/36?id=_3325-分类报告)
* [3.3.2.6\. 汉明损失](/docs/36?id=_3326-汉明损失)
* [3.3.2.7\. Jaccard 相似系数 score](/docs/36?id=_3327-jaccard-相似系数-score)
* [3.3.2.8\. 精准，召回和 F-measures](/docs/36?id=_3328-精准，召回和-f-measures)
* [3.3.2.8.1\. 二分类](/docs/36?id=_33281-二分类)
* [3.3.2.8.2\. 多类和多标签分类](/docs/36?id=_33282-多类和多标签分类)
* [3.3.2.9\. Hinge loss](/docs/36?id=_3329-hinge-loss)
* [3.3.2.10\. Log 损失](/docs/36?id=_33210-log-损失)
* [3.3.2.11\. 马修斯相关系数](/docs/36?id=_33211-马修斯相关系数)
* [3.3.2.12\. Receiver operating characteristic (ROC)](/docs/36?id=_33212-receiver-operating-characteristic-（roc)
* [3.3.2.13\. 零一损失](/docs/36?id=_33213-零一损失)
* [3.3.2.14\. Brier 分数损失](/docs/36?id=_33214-brier-分数损失)
* [3.3.3\. 多标签排名指标](/docs/36?id=_333-多标签排名指标)
* [3.3.3.1\. 覆盖误差](/docs/36?id=_3331-覆盖误差)
* [3.3.3.2\. 标签排名平均精度](/docs/36?id=_3332-标签排名平均精度)
* [3.3.3.3\. 排序损失](/docs/36?id=_3333-排序损失)
* [3.3.4\. 回归指标](/docs/36?id=_334-回归指标)
* [3.3.4.1\. 解释方差得分](/docs/36?id=_3341-解释方差得分)
* [3.3.4.2\. 平均绝对误差](/docs/36?id=_3342-平均绝对误差)
* [3.3.4.3\. 均方误差](/docs/36?id=_3343-均方误差)
* [3.3.4.4\. 均方误差对数](/docs/36?id=_3344-均方误差对数)
* [3.3.4.5\. 中位绝对误差](/docs/36?id=_3345-中位绝对误差)
* [3.3.4.6\. R² score, 可决系数](/docs/36?id=_3346-r²-score,-可决系数)
* [3.3.5\. 聚类指标](/docs/36?id=_335-聚类指标)
* [3.3.6\. 虚拟估计](/docs/36?id=_336-虚拟估计)
* [3.4\. 模型持久化](/docs/37?id=_34-模型持久化)
* [3.4.1\. 持久化示例](/docs/37?id=_341-持久化示例)
* [3.4.2\. 安全性和可维护性的局限性](/docs/37?id=_342-安全性和可维护性的局限性)
* [3.5\. 验证曲线: 绘制分数以评估模型](/docs/38?id=_35-验证曲线:-绘制分数以评估模型)
* [3.5.1\. 验证曲线](/docs/38?id=_351-验证曲线)
* [3.5.2\. 学习曲线](/docs/38?id=_352-学习曲线)
\ No newline at end of file
* [3.1\. 交叉验证：评估估算器的表现](modules/cross_validation.html)
* [3.1.1\. 计算交叉验证的指标](modules/cross_validation.html#id2)
* [3.1.1.1\. cross_validate 函数和多度量评估](modules/cross_validation.html#cross-validate)
* [3.1.1.2\. 通过交叉验证获取预测](modules/cross_validation.html#id3)
* [3.1.2\. 交叉验证迭代器](modules/cross_validation.html#id4)
* [3.1.3\. 交叉验证迭代器–循环遍历数据](modules/cross_validation.html#iid-cv)
* [3.1.3.1\. K 折](modules/cross_validation.html#k)
* [3.1.3.2\. 重复 K-折交叉验证](modules/cross_validation.html#id6)
* [3.1.3.3\. 留一交叉验证 (LOO)](modules/cross_validation.html#loo)
* [3.1.3.4\. 留 P 交叉验证 (LPO)](modules/cross_validation.html#p-lpo)
* [3.1.3.5\. 随机排列交叉验证 a.k.a. Shuffle & Split](modules/cross_validation.html#a-k-a-shuffle-split)
* [3.1.4\. 基于类标签、具有分层的交叉验证迭代器](modules/cross_validation.html#id7)
* [3.1.4.1\. 分层 k 折](modules/cross_validation.html#id8)
* [3.1.4.2\. 分层随机 Split](modules/cross_validation.html#split)
* [3.1.5\. 用于分组数据的交叉验证迭代器](modules/cross_validation.html#group-cv)
* [3.1.5.1\. 组 k-fold](modules/cross_validation.html#k-fold)
* [3.1.5.2\. 留一组交叉验证](modules/cross_validation.html#id10)
* [3.1.5.3\. 留 P 组交叉验证](modules/cross_validation.html#p)
* [3.1.5.4\. Group Shuffle Split](modules/cross_validation.html#group-shuffle-split)
* [3.1.6\. 预定义的折叠 / 验证集](modules/cross_validation.html#id11)
* [3.1.7\. 交叉验证在时间序列数据中应用](modules/cross_validation.html#timeseries-cv)
* [3.1.7.1\. 时间序列分割](modules/cross_validation.html#id13)
* [3.1.8\. A note on shuffling](modules/cross_validation.html#a-note-on-shuffling)
* [3.1.9\. 交叉验证和模型选择](modules/cross_validation.html#id14)
* [3.2\. 调整估计器的超参数](modules/grid_search.html)
* [3.2.1\. 网格追踪法–穷尽的网格搜索](modules/grid_search.html#id3)
* [3.2.2\. 随机参数优化](modules/grid_search.html#randomized-parameter-search)
* [3.2.3\. 参数搜索技巧](modules/grid_search.html#grid-search-tips)
* [3.2.3.1\. 指定目标度量](modules/grid_search.html#gridsearch-scoring)
* [3.2.3.2\. 为评估指定多个指标](modules/grid_search.html#multimetric-grid-search)
* [3.2.3.3\. 复合估计和参数空间](modules/grid_search.html#id16)
* [3.2.3.4\. 模型选择：开发和评估](modules/grid_search.html#id18)
* [3.2.3.5\. 并行机制](modules/grid_search.html#id19)
* [3.2.3.6\. 对故障的鲁棒性](modules/grid_search.html#id20)
* [3.2.4\. 暴力参数搜索的替代方案](modules/grid_search.html#alternative-cv)
* [3.2.4.1\. 模型特定交叉验证](modules/grid_search.html#id22)
* [3.2.4.1.1\. `sklearn.linear_model`.ElasticNetCV](modules/generated/sklearn.linear_model.ElasticNetCV.html)
* [3.2.4.1.2\. `sklearn.linear_model`.LarsCV](modules/generated/sklearn.linear_model.LarsCV.html)
* [3.2.4.1.3\. `sklearn.linear_model`.LassoCV](modules/generated/sklearn.linear_model.LassoCV.html)
* [3.2.4.1.3.1\. Examples using `sklearn.linear_model.LassoCV`](modules/generated/sklearn.linear_model.LassoCV.html#examples-using-sklearn-linear-model-lassocv)
* [3.2.4.1.4\. `sklearn.linear_model`.LassoLarsCV](modules/generated/sklearn.linear_model.LassoLarsCV.html)
* [3.2.4.1.4.1\. Examples using `sklearn.linear_model.LassoLarsCV`](modules/generated/sklearn.linear_model.LassoLarsCV.html#examples-using-sklearn-linear-model-lassolarscv)
* [3.2.4.1.5\. `sklearn.linear_model`.LogisticRegressionCV](modules/generated/sklearn.linear_model.LogisticRegressionCV.html)
* [3.2.4.1.6\. `sklearn.linear_model`.MultiTaskElasticNetCV](modules/generated/sklearn.linear_model.MultiTaskElasticNetCV.html)
* [3.2.4.1.7\. `sklearn.linear_model`.MultiTaskLassoCV](modules/generated/sklearn.linear_model.MultiTaskLassoCV.html)
* [3.2.4.1.8\. `sklearn.linear_model`.OrthogonalMatchingPursuitCV](modules/generated/sklearn.linear_model.OrthogonalMatchingPursuitCV.html)
* [3.2.4.1.8.1\. Examples using `sklearn.linear_model.OrthogonalMatchingPursuitCV`](modules/generated/sklearn.linear_model.OrthogonalMatchingPursuitCV.html#examples-using-sklearn-linear-model-orthogonalmatchingpursuitcv)
* [3.2.4.1.9\. `sklearn.linear_model`.RidgeCV](modules/generated/sklearn.linear_model.RidgeCV.html)
* [3.2.4.1.9.1\. Examples using `sklearn.linear_model.RidgeCV`](modules/generated/sklearn.linear_model.RidgeCV.html#examples-using-sklearn-linear-model-ridgecv)
* [3.2.4.1.10\. `sklearn.linear_model`.RidgeClassifierCV](modules/generated/sklearn.linear_model.RidgeClassifierCV.html)
* [3.2.4.2\. 信息标准](modules/grid_search.html#id23)
* [3.2.4.2.1\. `sklearn.linear_model`.LassoLarsIC](modules/generated/sklearn.linear_model.LassoLarsIC.html)
* [3.2.4.2.1.1\. Examples using `sklearn.linear_model.LassoLarsIC`](modules/generated/sklearn.linear_model.LassoLarsIC.html#examples-using-sklearn-linear-model-lassolarsic)
* [3.2.4.3\. 出袋估计](modules/grid_search.html#out-of-bag)
* [3.2.4.3.1\. `sklearn.ensemble`.RandomForestClassifier](modules/generated/sklearn.ensemble.RandomForestClassifier.html)
* [3.2.4.3.1.1\. Examples using `sklearn.ensemble.RandomForestClassifier`](modules/generated/sklearn.ensemble.RandomForestClassifier.html#examples-using-sklearn-ensemble-randomforestclassifier)
* [3.2.4.3.2\. `sklearn.ensemble`.RandomForestRegressor](modules/generated/sklearn.ensemble.RandomForestRegressor.html)
* [3.2.4.3.2.1\. Examples using `sklearn.ensemble.RandomForestRegressor`](modules/generated/sklearn.ensemble.RandomForestRegressor.html#examples-using-sklearn-ensemble-randomforestregressor)
* [3.2.4.3.3\. `sklearn.ensemble`.ExtraTreesClassifier](modules/generated/sklearn.ensemble.ExtraTreesClassifier.html)
* [3.2.4.3.3.1\. Examples using `sklearn.ensemble.ExtraTreesClassifier`](modules/generated/sklearn.ensemble.ExtraTreesClassifier.html#examples-using-sklearn-ensemble-extratreesclassifier)
* [3.2.4.3.4\. `sklearn.ensemble`.ExtraTreesRegressor](modules/generated/sklearn.ensemble.ExtraTreesRegressor.html)
* [3.2.4.3.4.1\. Examples using `sklearn.ensemble.ExtraTreesRegressor`](modules/generated/sklearn.ensemble.ExtraTreesRegressor.html#examples-using-sklearn-ensemble-extratreesregressor)
* [3.2.4.3.5\. `sklearn.ensemble`.GradientBoostingClassifier](modules/generated/sklearn.ensemble.GradientBoostingClassifier.html)
* [3.2.4.3.5.1\. Examples using `sklearn.ensemble.GradientBoostingClassifier`](modules/generated/sklearn.ensemble.GradientBoostingClassifier.html#examples-using-sklearn-ensemble-gradientboostingclassifier)
* [3.2.4.3.6\. `sklearn.ensemble`.GradientBoostingRegressor](modules/generated/sklearn.ensemble.GradientBoostingRegressor.html)
* [3.2.4.3.6.1\. Examples using `sklearn.ensemble.GradientBoostingRegressor`](modules/generated/sklearn.ensemble.GradientBoostingRegressor.html#examples-using-sklearn-ensemble-gradientboostingregressor)
* [3.3\. 模型评估: 量化预测的质量](modules/model_evaluation.html)
* [3.3.1\. `scoring` 参数: 定义模型评估规则](modules/model_evaluation.html#scoring)
* [3.3.1.1\. 常见场景: 预定义值](modules/model_evaluation.html#id2)
* [3.3.1.2\. 根据 metric 函数定义您的评分策略](modules/model_evaluation.html#metric)
* [3.3.1.3\. 实现自己的记分对象](modules/model_evaluation.html#diy-scoring)
* [3.3.1.4\. 使用多个指数评估](modules/model_evaluation.html#multimetric-scoring)
* [3.3.2\. 分类指标](modules/model_evaluation.html#classification-metrics)
* [3.3.2.1\. 从二分到多分类和 multilabel](modules/model_evaluation.html#multilabel)
* [3.3.2.2\. 精确度得分](modules/model_evaluation.html#accuracy-score)
* [3.3.2.3\. Cohen’s kappa](modules/model_evaluation.html#cohen-s-kappa)
* [3.3.2.4\. 混淆矩阵](modules/model_evaluation.html#confusion-matrix)
* [3.3.2.5\. 分类报告](modules/model_evaluation.html#classification-report)
* [3.3.2.6\. 汉明损失](modules/model_evaluation.html#hamming-loss)
* [3.3.2.7\. Jaccard 相似系数 score](modules/model_evaluation.html#jaccard-score)
* [3.3.2.8\. 精准，召回和 F-measures](modules/model_evaluation.html#f-measures)
* [3.3.2.8.1\. 二分类](modules/model_evaluation.html#id14)
* [3.3.2.8.2\. 多类和多标签分类](modules/model_evaluation.html#id15)
* [3.3.2.9\. Hinge loss](modules/model_evaluation.html#hinge-loss)
* [3.3.2.10\. Log 损失](modules/model_evaluation.html#log)
* [3.3.2.11\. 马修斯相关系数](modules/model_evaluation.html#matthews-corrcoef)
* [3.3.2.12\. Receiver operating characteristic (ROC)](modules/model_evaluation.html#receiver-operating-characteristic-roc)
* [3.3.2.13\. 零一损失](modules/model_evaluation.html#zero-one-loss)
* [3.3.2.14\. Brier 分数损失](modules/model_evaluation.html#brier)
* [3.3.3\. 多标签排名指标](modules/model_evaluation.html#multilabel-ranking-metrics)
* [3.3.3.1\. 覆盖误差](modules/model_evaluation.html#coverage-error)
* [3.3.3.2\. 标签排名平均精度](modules/model_evaluation.html#label-ranking-average-precision)
* [3.3.3.3\. 排序损失](modules/model_evaluation.html#label-ranking-loss)
* [3.3.4\. 回归指标](modules/model_evaluation.html#regression-metrics)
* [3.3.4.1\. 解释方差得分](modules/model_evaluation.html#explained-variance-score)
* [3.3.4.2\. 平均绝对误差](modules/model_evaluation.html#mean-absolute-error)
* [3.3.4.3\. 均方误差](modules/model_evaluation.html#mean-squared-error)
* [3.3.4.4\. 均方误差对数](modules/model_evaluation.html#mean-squared-log-error)
* [3.3.4.5\. 中位绝对误差](modules/model_evaluation.html#median-absolute-error)
* [3.3.4.6\. R² score, 可决系数](modules/model_evaluation.html#r2-score)
* [3.3.5\. 聚类指标](modules/model_evaluation.html#clustering-metrics)
* [3.3.6\. 虚拟估计](modules/model_evaluation.html#dummy-estimators)
* [3.4\. 模型持久化](modules/model_persistence.html)
* [3.4.1\. 持久化示例](modules/model_persistence.html#id2)
* [3.4.2\. 安全性和可维护性的局限性](modules/model_persistence.html#persistence-limitations)
* [3.5\. 验证曲线: 绘制分数以评估模型](modules/learning_curve.html)
* [3.5.1\. 验证曲线](modules/learning_curve.html#validation-curve)
* [3.5.2\. 学习曲线](modules/learning_curve.html#learning-curve)
\ No newline at end of file
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