提交 c7498c92 编写于 作者: 片刻小哥哥's avatar 片刻小哥哥

替换多余的id后缀

上级 bb51a5d9
{
"search.usePCRE2": true
}
\ No newline at end of file
......@@ -35,11 +35,11 @@
* 用户指南
* [1. 监督学习](docs/0.21.3/1.md)
* [2. 无监督学习](docs/0.21.3/19.md)
* [3. 模型选择和评估](docs/0.21.3/29.md?id=_3-模型选择和评估)
* [4. 检验](docs/0.21.3/35.md?id=_4--检验)
* [5. 数据集转换](docs/0.21.3/37.md?id=_5-数据集转换)
* [6. 数据集加载工具](docs/0.21.3/47.md?id=_6-数据集加载工具)
* [7. 使用scikit-learn计算](docs/0.21.3/48.md?id=_7-使用scikit-learn计算)
* [3. 模型选择和评估](docs/0.21.3/29.md)
* [4. 检验](docs/0.21.3/35.md)
* [5. 数据集转换](docs/0.21.3/37.md)
* [6. 数据集加载工具](docs/0.21.3/47.md)
* [7. 使用scikit-learn计算](docs/0.21.3/48.md)
* [使用教程](docs/0.21.3/50.md)
* [使用 scikit-learn 介绍机器学习](docs/0.21.3/51.md)
* [关于科学数据处理的统计学习教程](docs/0.21.3/52.md)
......
* [安装 scikit-learn](0.21.3/79.md)
* 用户指南
* [1. 监督学习](0.21.3/1.md)
* [1.1. 广义线性模型](0.21.3/2.md?id=_11-广义线性模型)
* [1.2. 线性和二次判别分析](0.21.3/3.md?id=_12-线性和二次判别分析)
* [1.3. 内核岭回归](0.21.3/4.md?id=_13-内核岭回归)
* [1.4. 支持向量机](0.21.3/5.md?id=_14-支持向量机)
* [1.5. 随机梯度下降](0.21.3/6.md?id=_15-随机梯度下降)
* [1.6. 最近邻](0.21.3/7.md?id=_16-最近邻)
* [1.7. 高斯过程](0.21.3/8.md?id=_17-高斯过程)
* [1.8. 交叉分解](0.21.3/9.md?id=_18-交叉分解)
* [1.9. 朴素贝叶斯](0.21.3/10.md?id=_19-朴素贝叶斯)
* [1.10. 决策树](0.21.3/11.md?id=_110-决策树)
* [1.11. 集成方法](0.21.3/12.md?id=_111-集成方法)
* [1.12. 多类和多标签算法](0.21.3/13.md?id=_112-多类和多标签算法)
* [1.13. 特征选择](0.21.3/14.md?id=_113-特征选择)
* [1.14. 半监督学习](0.21.3/15.md?id=_114-半监督学习)
* [1.15. 等式回归](0.21.3/16.md?id=_115-等式回归)
* [1.16. 概率校准](0.21.3/17.md?id=_116-概率校准)
* [1.17. 神经网络模型(有监督)](0.21.3/18.md?id=_117-神经网络模型(有监督))
* [1.1. 广义线性模型](0.21.3/2.md)
* [1.2. 线性和二次判别分析](0.21.3/3.md)
* [1.3. 内核岭回归](0.21.3/4.md)
* [1.4. 支持向量机](0.21.3/5.md)
* [1.5. 随机梯度下降](0.21.3/6.md)
* [1.6. 最近邻](0.21.3/7.md)
* [1.7. 高斯过程](0.21.3/8.md)
* [1.8. 交叉分解](0.21.3/9.md)
* [1.9. 朴素贝叶斯](0.21.3/10.md)
* [1.10. 决策树](0.21.3/11.md)
* [1.11. 集成方法](0.21.3/12.md)
* [1.12. 多类和多标签算法](0.21.3/13.md)
* [1.13. 特征选择](0.21.3/14.md)
* [1.14. 半监督学习](0.21.3/15.md)
* [1.15. 等式回归](0.21.3/16.md)
* [1.16. 概率校准](0.21.3/17.md)
* [1.17. 神经网络模型(有监督)](0.21.3/18.md)
* [2. 无监督学习](0.21.3/19.md)
* [2.1. 高斯混合模型](0.21.3/20.md?id=_21-高斯混合模型)
* [2.2. 流形学习](0.21.3/21.md?id=_22-流形学习)
* [2.3. 聚类](0.21.3/22.md?id=_23-聚类)
* [2.4. 双聚类](0.21.3/23.md?id=_24-双聚类)
* [2.5. 分解成分中的信号(矩阵分解问题)](0.21.3/24.md?id=_25-分解成分中的信号(矩阵分解问题))
* [2.6. 协方差估计](0.21.3/25.md?id=_26-协方差估计)
* [2.7. 新奇和异常值检测](0.21.3/26.md?id=_27-新奇和异常值检测)
* [2.8. 密度估计](0.21.3/27.md?id=_28-密度估计)
* [2.9. 神经网络模型(无监督)](0.21.3/28.md?id=_29-神经网络模型(无监督))
* [3. 模型选择和评估](0.21.3/29.md?id=_3-模型选择和评估)
* [3.1. 交叉验证:评估估算器的表现](0.21.3/30.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](0.21.3/31.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](0.21.3/32.md?id=_33-模型评估--量化预测的质量)
* [3.4. 模型持久化](0.21.3/33.md?id=_34-模型持久化)
* [3.5. 验证曲线: 绘制分数以评估模型](0.21.3/34.md?id=_35-验证曲线--绘制分数以评估模型)
* [4. 检验](0.21.3/35.md?id=_4--检验)
* [4.1. 部分依赖图](0.21.3/36.md?id=_41-部分依赖图)
* [5. 数据集转换](0.21.3/37.md?id=_5-数据集转换)
* [5.1. Pipeline(管道)和 FeatureUnion(特征联合): 合并的评估器](0.21.3/38.md?id=_51-pipeline(管道)和-featureunion(特征联合)--合并的评估器)
* [5.2. 特征提取](0.21.3/39.md?id=_52-特征提取)
* [5.3 预处理数据](0.21.3/40.md?id=_53-预处理数据)
* [5.4 缺失值插补](0.21.3/41.md?id=_54-缺失值插补)
* [5.5. 无监督降维](0.21.3/42.md?id=_55-无监督降维)
* [5.6. 随机投影](0.21.3/43.md?id=_56-随机投影)
* [5.7. 内核近似](0.21.3/44.md?id=_57-内核近似)
* [5.8. 成对的矩阵, 类别和核函数](0.21.3/45.md?id=_58-成对的矩阵,-类别和核函数)
* [5.9. 预测目标 (`y`) 的转换](0.21.3/46.md?id=_59-预测目标--的转换)
* [6. 数据集加载工具](0.21.3/47.md?id=_6-数据集加载工具)
* [6.1. 通用数据集 API](0.21.3/47.md?id=_61-通用数据集-api)
* [6.2. 玩具数据集](0.21.3/47.md?id=_62-玩具数据集)
* [6.3 真实世界中的数据集](0.21.3/47.md?id=_63-真实世界中的数据集)
* [6.4. 样本生成器](0.21.3/47.md?id=_64-样本生成器)
* [6.5. 加载其他数据集](0.21.3/47.md?id=_65-加载其他数据集)
* [7. 使用scikit-learn计算](0.21.3/48.md?id=_7-使用scikit-learn计算)
* [7.1. 大规模计算的策略: 更大量的数据](0.21.3/48.md?id=_71-大规模计算的策略--更大量的数据)
* [7.2. 计算性能](0.21.3/48.md?id=_72-计算性能)
* [7.3. 并行性、资源管理和配置](0.21.3/48.md?id=_73-并行性、资源管理和配置)
* [2.1. 高斯混合模型](0.21.3/20.md)
* [2.2. 流形学习](0.21.3/21.md)
* [2.3. 聚类](0.21.3/22.md)
* [2.4. 双聚类](0.21.3/23.md)
* [2.5. 分解成分中的信号(矩阵分解问题)](0.21.3/24.md)
* [2.6. 协方差估计](0.21.3/25.md)
* [2.7. 新奇和异常值检测](0.21.3/26.md)
* [2.8. 密度估计](0.21.3/27.md)
* [2.9. 神经网络模型(无监督)](0.21.3/28.md)
* [3. 模型选择和评估](0.21.3/29.md)
* [3.1. 交叉验证:评估估算器的表现](0.21.3/30.md)
* [3.2. 调整估计器的超参数](0.21.3/31.md)
* [3.3. 模型评估: 量化预测的质量](0.21.3/32.md)
* [3.4. 模型持久化](0.21.3/33.md)
* [3.5. 验证曲线: 绘制分数以评估模型](0.21.3/34.md)
* [4. 检验](0.21.3/35.md)
* [4.1. 部分依赖图](0.21.3/36.md)
* [5. 数据集转换](0.21.3/37.md)
* [5.1. Pipeline(管道)和 FeatureUnion(特征联合): 合并的评估器](0.21.3/38.md)
* [5.2. 特征提取](0.21.3/39.md)
* [5.3 预处理数据](0.21.3/40.md)
* [5.4 缺失值插补](0.21.3/41.md)
* [5.5. 无监督降维](0.21.3/42.md)
* [5.6. 随机投影](0.21.3/43.md)
* [5.7. 内核近似](0.21.3/44.md)
* [5.8. 成对的矩阵, 类别和核函数](0.21.3/45.md)
* [5.9. 预测目标 (`y`) 的转换](0.21.3/46.md)
* [6. 数据集加载工具](0.21.3/47.md)
* [6.1. 通用数据集 API](0.21.3/47.md)
* [6.2. 玩具数据集](0.21.3/47.md)
* [6.3 真实世界中的数据集](0.21.3/47.md)
* [6.4. 样本生成器](0.21.3/47.md)
* [6.5. 加载其他数据集](0.21.3/47.md)
* [7. 使用scikit-learn计算](0.21.3/48.md)
* [7.1. 大规模计算的策略: 更大量的数据](0.21.3/48.md)
* [7.2. 计算性能](0.21.3/48.md)
* [7.3. 并行性、资源管理和配置](0.21.3/48.md)
* [教程](0.21.3/50.md)
* [使用 scikit-learn 介绍机器学习](0.21.3/51.md)
* [关于科学数据处理的统计学习教程](0.21.3/52.md)
......
......@@ -20,11 +20,11 @@ scikit-learn 是基于 Python 语言的机器学习工具
* 用户指南
* [1. 监督学习](1.md)
* [2. 无监督学习](19.md)
* [3. 模型选择和评估](29.md?id=_3-模型选择和评估)
* [4. 检验](35.md?id=_4--检验)
* [5. 数据集转换](37.md?id=_5-数据集转换)
* [6. 数据集加载工具](47.md?id=_6-数据集加载工具)
* [7. 使用scikit-learn计算](48.md?id=_7-使用scikit-learn计算)
* [3. 模型选择和评估](29.md)
* [4. 检验](35.md)
* [5. 数据集转换](37.md)
* [6. 数据集加载工具](47.md)
* [7. 使用scikit-learn计算](48.md)
* [使用教程](50.md)
* [使用 scikit-learn 介绍机器学习](51.md)
* [关于科学数据处理的统计学习教程](52.md)
......
* [安装 scikit-learn](79.md)
* 用户指南
* [1. 监督学习](1.md)
* [1.1. 广义线性模型](2.md?id=_11-广义线性模型)
* [1.2. 线性和二次判别分析](3.md?id=_12-线性和二次判别分析)
* [1.3. 内核岭回归](4.md?id=_13-内核岭回归)
* [1.4. 支持向量机](5.md?id=_14-支持向量机)
* [1.5. 随机梯度下降](6.md?id=_15-随机梯度下降)
* [1.6. 最近邻](7.md?id=_16-最近邻)
* [1.7. 高斯过程](8.md?id=_17-高斯过程)
* [1.8. 交叉分解](9.md?id=_18-交叉分解)
* [1.9. 朴素贝叶斯](10.md?id=_19-朴素贝叶斯)
* [1.10. 决策树](11.md?id=_110-决策树)
* [1.11. 集成方法](12.md?id=_111-集成方法)
* [1.12. 多类和多标签算法](13.md?id=_112-多类和多标签算法)
* [1.13. 特征选择](14.md?id=_113-特征选择)
* [1.14. 半监督学习](15.md?id=_114-半监督学习)
* [1.15. 等式回归](16.md?id=_115-等式回归)
* [1.16. 概率校准](17.md?id=_116-概率校准)
* [1.17. 神经网络模型(有监督)](18.md?id=_117-神经网络模型(有监督))
* [1.1. 广义线性模型](2.md)
* [1.2. 线性和二次判别分析](3.md)
* [1.3. 内核岭回归](4.md)
* [1.4. 支持向量机](5.md)
* [1.5. 随机梯度下降](6.md)
* [1.6. 最近邻](7.md)
* [1.7. 高斯过程](8.md)
* [1.8. 交叉分解](9.md)
* [1.9. 朴素贝叶斯](10.md)
* [1.10. 决策树](11.md)
* [1.11. 集成方法](12.md)
* [1.12. 多类和多标签算法](13.md)
* [1.13. 特征选择](14.md)
* [1.14. 半监督学习](15.md)
* [1.15. 等式回归](16.md)
* [1.16. 概率校准](17.md)
* [1.17. 神经网络模型(有监督)](18.md)
* [2. 无监督学习](19.md)
* [2.1. 高斯混合模型](20.md?id=_21-高斯混合模型)
* [2.2. 流形学习](21.md?id=_22-流形学习)
* [2.3. 聚类](22.md?id=_23-聚类)
* [2.4. 双聚类](23.md?id=_24-双聚类)
* [2.5. 分解成分中的信号(矩阵分解问题)](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](25.md?id=_26-协方差估计)
* [2.7. 新奇和异常值检测](26.md?id=_27-新奇和异常值检测)
* [2.8. 密度估计](27.md?id=_28-密度估计)
* [2.9. 神经网络模型(无监督)](28.md?id=_29-神经网络模型(无监督))
* [3. 模型选择和评估](29.md?id=_3-模型选择和评估)
* [3.1. 交叉验证:评估估算器的表现](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](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](32.md?id=_33-模型评估--量化预测的质量)
* [3.4. 模型持久化](33.md?id=_34-模型持久化)
* [3.5. 验证曲线: 绘制分数以评估模型](34.md?id=_35-验证曲线--绘制分数以评估模型)
* [4. 检验](35.md?id=_4--检验)
* [4.1. 部分依赖图](36.md?id=_41-部分依赖图)
* [5. 数据集转换](37.md?id=_5-数据集转换)
* [5.1. Pipeline(管道)和 FeatureUnion(特征联合): 合并的评估器](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](39.md?id=_52-特征提取)
* [5.3 预处理数据](40.md?id=_53-预处理数据)
* [5.4 缺失值插补](41.md?id=_54-缺失值插补)
* [5.5. 无监督降维](42.md?id=_55-无监督降维)
* [5.6. 随机投影](43.md?id=_56-随机投影)
* [5.7. 内核近似](44.md?id=_57-内核近似)
* [5.8. 成对的矩阵, 类别和核函数](45.md?id=_58-成对的矩阵,-类别和核函数)
* [5.9. 预测目标 (`y`) 的转换](46.md?id=_59-预测目标--的转换)
* [6. 数据集加载工具](47.md?id=_6-数据集加载工具)
* [6.1. 通用数据集 API](47.md?id=_61-通用数据集-api)
* [6.2. 玩具数据集](47.md?id=_62-玩具数据集)
* [6.3 真实世界中的数据集](47.md?id=_63-真实世界中的数据集)
* [6.4. 样本生成器](47.md?id=_64-样本生成器)
* [6.5. 加载其他数据集](47.md?id=_65-加载其他数据集)
* [7. 使用scikit-learn计算](48.md?id=_7-使用scikit-learn计算)
* [7.1. 大规模计算的策略: 更大量的数据](48.md?id=_71-大规模计算的策略--更大量的数据)
* [7.2. 计算性能](48.md?id=_72-计算性能)
* [7.3. 并行性、资源管理和配置](48.md?id=_73-并行性、资源管理和配置)
* [2.1. 高斯混合模型](20.md)
* [2.2. 流形学习](21.md)
* [2.3. 聚类](22.md)
* [2.4. 双聚类](23.md)
* [2.5. 分解成分中的信号(矩阵分解问题)](24.md)
* [2.6. 协方差估计](25.md)
* [2.7. 新奇和异常值检测](26.md)
* [2.8. 密度估计](27.md)
* [2.9. 神经网络模型(无监督)](28.md)
* [3. 模型选择和评估](29.md)
* [3.1. 交叉验证:评估估算器的表现](30.md)
* [3.2. 调整估计器的超参数](31.md)
* [3.3. 模型评估: 量化预测的质量](32.md)
* [3.4. 模型持久化](33.md)
* [3.5. 验证曲线: 绘制分数以评估模型](34.md)
* [4. 检验](35.md)
* [4.1. 部分依赖图](36.md)
* [5. 数据集转换](37.md)
* [5.1. Pipeline(管道)和 FeatureUnion(特征联合): 合并的评估器](38.md)
* [5.2. 特征提取](39.md)
* [5.3 预处理数据](40.md)
* [5.4 缺失值插补](41.md)
* [5.5. 无监督降维](42.md)
* [5.6. 随机投影](43.md)
* [5.7. 内核近似](44.md)
* [5.8. 成对的矩阵, 类别和核函数](45.md)
* [5.9. 预测目标 (`y`) 的转换](46.md)
* [6. 数据集加载工具](47.md)
* [6.1. 通用数据集 API](47.md)
* [6.2. 玩具数据集](47.md)
* [6.3 真实世界中的数据集](47.md)
* [6.4. 样本生成器](47.md)
* [6.5. 加载其他数据集](47.md)
* [7. 使用scikit-learn计算](48.md)
* [7.1. 大规模计算的策略: 更大量的数据](48.md)
* [7.2. 计算性能](48.md)
* [7.3. 并行性、资源管理和配置](48.md)
* [教程](50.md)
* [使用 scikit-learn 介绍机器学习](51.md)
* [关于科学数据处理的统计学习教程](52.md)
......
Markdown is supported
0% .
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