Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
OpenDocCN
sklearn-doc-zh
提交
c7498c92
S
sklearn-doc-zh
项目概览
OpenDocCN
/
sklearn-doc-zh
通知
3
Star
3
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
S
sklearn-doc-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
前往新版Gitcode，体验更适合开发者的 AI 搜索 >>
提交
c7498c92
编写于
8月 05, 2019
作者:
片刻小哥哥
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
替换多余的id后缀
上级
bb51a5d9
变更
5
隐藏空白更改
内联
并排
Showing
5 changed file
with
121 addition
and
118 deletion
+121
-118
.vscode/settings.json
.vscode/settings.json
+3
-0
README.md
README.md
+5
-5
SUMMARY.md
SUMMARY.md
+54
-54
docs/0.21.3/README.md
docs/0.21.3/README.md
+5
-5
docs/0.21.3/SUMMARY.md
docs/0.21.3/SUMMARY.md
+54
-54
未找到文件。
.vscode/settings.json
0 → 100644
浏览文件 @
c7498c92
{
"search.usePCRE2"
:
true
}
\ No newline at end of file
README.md
浏览文件 @
c7498c92
...
...
@@ -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
)
...
...
SUMMARY.md
浏览文件 @
c7498c92
*
[
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
)
...
...
docs/0.21.3/README.md
浏览文件 @
c7498c92
...
...
@@ -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
)
...
...
docs/0.21.3/SUMMARY.md
浏览文件 @
c7498c92
*
[
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
)
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑！
取消
想要评论请
注册
或
登录
