更新目录

SUMMARY.md

 +   [安装 scikit-learn](docs/79.md)
 +   用户指南
     +   [1\. 监督学习](docs/1.md)
-        +   [1.1\. 广义线性模型](docs/2.md)
-        +   [1.2\. 线性和二次判别分析](docs/3.md)
-        +   [1.3\. 内核岭回归](docs/4.md)
-        +   [1.4\. 支持向量机](docs/5.md)
-        +   [1.5\. 随机梯度下降](docs/6.md)
-        +   [1.6\. 最近邻](docs/7.md)
-        +   [1.7\. 高斯过程](docs/8.md)
-        +   [1.8\. 交叉分解](docs/9.md)
-        +   [1.9\. 朴素贝叶斯](docs/10.md)
-        +   [1.10\. 决策树](docs/11.md)
-        +   [1.11\. 集成方法](docs/12.md)
-        +   [1.12\. 多类和多标签算法](docs/13.md)
-        +   [1.13\. 特征选择](docs/14.md)
-        +   [1.14\. 半监督学习](docs/15.md)
-        +   [1.15\. 等式回归](docs/16.md)
-        +   [1.16\. 概率校准](docs/17.md)
-        +   [1.17\. 神经网络模型（有监督）](docs/18.md)
+        + [1.1 广义线性模型](docs/2.md?id=_11-广义线性模型)
+        + [1.2 线性和二次判别分析](docs/3.md?id=_12-线性和二次判别分析)
+        + [1.3 内核岭回归](docs/4.md?id=_13-内核岭回归)
+        + [1.4 支持向量机](docs/5.md?id=_14-支持向量机)
+        + [1.5 随机梯度下降](docs/6.md?id=_15-随机梯度下降)
+        + [1.6 最近邻](docs/7.md?id=_16-最近邻)
+        + [1.7 高斯过程](docs/8.md?id=_17-高斯过程)
+        + [1.8 交叉分解](docs/9.md?id=_18-交叉分解)
+        + [1.9 朴素贝叶斯](docs/10.md?id=_19-朴素贝叶斯)
+        + [1.10 决策树](docs/11.md?id=_110-决策树)
+        + [1.11 集成方法](docs/12.md?id=_111-集成方法)
+        + [1.12 多类和多标签算法](docs/13.md?id=_112-多类和多标签算法)
+        + [1.13 特征选择](docs/14.md?id=_113-特征选择)
+        + [1.14 半监督学习](docs/15.md?id=_114-半监督学习)
+        + [1.15 等式回归](docs/16.md?id=_115-等式回归)
+        + [1.16 概率校准](docs/17.md?id=_116-概率校准)
+        + [1.17 神经网络模型（有监督）](docs/18.md?id=_117-神经网络模型（有监督）)
     +   [2\. 无监督学习](docs/19.md)
-        +   [2.1\. 高斯混合模型](docs/20.md)
-        +   [2.2\. 流形学习](docs/21.md)
-        +   [2.3\. 聚类](docs/22.md)
-        +   [2.4\. 双聚类](docs/23.md)
-        +   [2.5\. 分解成分中的信号（矩阵分解问题）](docs/24.md)
-        +   [2.6\. 协方差估计](docs/25.md)
-        +   [2.7\. 新奇和异常值检测](docs/26.md)
-        +   [2.8\. 密度估计](docs/27.md)
-        +   [2.9\. 神经网络模型（无监督）](docs/28.md)
+        + [2.1 高斯混合模型](docs/20.md?id=_21-高斯混合模型)
+        + [2.2 流形学习](docs/21.md?id=_22-流形学习)
+        + [2.3 聚类](docs/22.md?id=_23-聚类)
+        + [2.4 双聚类](docs/23.md?id=_24-双聚类)
+        + [2.5 分解成分中的信号（矩阵分解问题）](docs/24.md?id=_25-分解成分中的信号（矩阵分解问题）)
+        + [2.6 协方差估计](docs/25.md?id=_26-协方差估计)
+        + [2.7 新奇和异常值检测](docs/26.md?id=_27-新奇和异常值检测)
+        + [2.8 密度估计](docs/27.md?id=_28-密度估计)
+        + [2.9 神经网络模型（无监督）](docs/28.md?id=_29-神经网络模型（无监督）)
     +   [3\. 模型选择和评估](docs/33.md)
-        +   [3.1\. 交叉验证：评估估算器的表现](docs/34.md)
-        +   [3.2\. 调整估计器的超参数](docs/35.md)
-        +   [3.3\. 模型评估: 量化预测的质量](docs/53.md)
-        +   [3.4\. 模型持久化](docs/54.md)
-        +   [3.5\. 验证曲线: 绘制分数以评估模型](docs/55.md)
+        + [3.1 交叉验证：评估估算器的表现](docs/30.md?id=_31-交叉验证：评估估算器的表现)
+        + [3.2 调整估计器的超参数](docs/31.md?id=_32-调整估计器的超参数)
+        + [3.3 模型评估: 量化预测的质量](docs/32.md?id=_33-模型评估:-量化预测的质量)
+        + [3.4 模型持久化](docs/33.md?id=_34-模型持久化)
+        + [3.5 验证曲线: 绘制分数以评估模型](docs/34.md?id=_35-验证曲线:-绘制分数以评估模型)  
+    + [4\. 检验](docs/35.md?id=_4-检验)
+        + [4.1 部分依赖图](docs/36.md?id=_41-部分依赖图)    
     +   [5\. 数据集转换](docs/56.md)
-        +   [5.1\. Pipeline（管道）和 FeatureUnion（特征联合）: 合并的评估器](docs/57.md)
-        +   [5.2\. 特征提取](docs/58.md)
-        +   [5.3\. 预处理数据](docs/59.md)
-        +   [5.4\. 缺失值填充]()
-        +   [5.5\. 无监督降维](docs/60.md)
-        +   [5.6\. 随机投影](docs/61.md)
-        +   [5.7\. 内核近似](docs/62.md)
-        +   [5.8\. 成对的矩阵, 类别和核函数](docs/63.md)
-        +   [5.9\. 预测目标 (`y`.md) 的转换](docs/64.md)
+        + [5.1 Pipeline（管道）和 FeatureUnion（特征联合）: 合并的评估器](docs/38.md?id=_51-pipeline（管道）和-featureunion（特征联合）:-合并的评估器)
+        + [5.2 特征提取](docs/39.md?id=_52-特征提取)
+        + [5.3 预处理数据](docs/40.md?id=_53-预处理数据)
+        + [5.4 无监督降维](docs/41.md?id=_54-无监督降维)
+        + [5.5 随机投影](docs/42.md?id=_55-随机投影)
+        + [5.6 内核近似](docs/43.md?id=_56-内核近似)
+        + [5.7 成对的矩阵, 类别和核函数](docs/44.md?id=_57-成对的矩阵,-类别和核函数)
+        + [5.8 预测目标 (`y`) 的转换](docs/45.md?id=_58-预测目标--的转换)
+        + [5.9 ](docs/46.md)
+        
     +   [6\. 数据集加载工具](docs/65.md)
     +   [7\. 使用scikit-learn计算](docs/66.md)
         +   [7.1\. 大规模计算的策略: 更大量的数据](docs/66?id=_71-大规模计算的策略-更大量的数据)