“scikit-learn(sklearn) 官方文档中文版”

最新推荐文章于 2025-10-22 09:34:37 发布
转载 最新推荐文章于 2025-10-22 09:34:37 发布 · 1.2w 阅读 · 28
文章标签：

#sklearn

本文汇总了多个项目的中文文档资源，包括scikit-learn、TensorFlow、Spark等，覆盖机器学习、深度学习及大数据处理等领域，为中文读者提供便利。

“scikit-learn(sklearn) 官方文档中文版”

本博客摘自微博：爱可可-爱生活
“scikit-learn(sklearn) 官方文档中文版” ：网页链接 GitHub：网页链接 ​​​​
PS:在sklearn的Github链接中还有其他一些官方文档的中文版
TensorFlow R1.2 中文文档
sklearn 0.18 中文文档
Spark 2.2.0 中文文档
Spark 2.0.2 中文文档
Kudu 1.4.0 中文文档
Zeppelin 0.7.2 中文文档
Elasticsearch 5.4 中文文档
Kibana 5.2 中文文档
Storm 1.1.0 中文文档

机器学习 | 决策树 (sklearn) 官方文档
05-16 7524
Decision Trees (DTs) 是一种用来分类和回归的无参监督学习方法。其目的是创建一种模型从数据特征中学习简单的决策规则来预测一个目标变量的值。 例如，在下面的图片中，决策树通过if-then-else的决策规则来学习数据从而估测数一个正弦图像。决策树越深入，决策规则就越复杂并且对数据的拟合越好。 决策树的优势: 便于理解和解释。树的结构可以可视化出来。 训练需要的数据少。其他机器学习模型通常需要数据规范化，比如构建虚拟变量和移除缺失值,不过请注意，这..
【AiDocZh.com】Scikit-Learn1.6官方文档中文翻译上线啦
数智笔记
08-12 2093
自从有了想翻译scikit-learn官方文档的想法，已经有了半年时间，现在终于翻译和校验完了。由于精力有限，难免会有一些错误，请大家见谅。scikit-learn是机器学习领域最重要的工具，但由于一些大量的专业词汇，导致阅读会有一些缓慢，通过翻译了中文文档，可以快速了解相关知识，也可以跟官网的对应网页找到对应。希望能帮助到数据挖掘、机器学习领域学习的同学。
sklearn中文文档
12-19
scikit-learn(sklearn) 官方文档中文版，scikit-learn中文文档-学习笔记一 sklearn
Sklearn 教程
最新发布
m0_57545130的博客
10-22 804
本教程介绍了Scikit-learn的基本使用方法，包括安装、核心概念和工作流程。主要内容涵盖数据加载与预处理、模型训练与评估（如逻辑回归、决策树等）、超参数调优以及Pipeline简化流程。教程还提供了模型保存加载方法和高级功能示例，适合机器学习初学者快速上手Scikit-learn。
Scikit-learn中文文档
04-05
Scikit-learn中文文档，入门级别简介。通俗易懂。欢迎支持下载
【Scikit-Learn 中文文档】预处理数据 - 数据集转换 - 用户指南 | ApacheCN
妳那伊抹微笑的专栏
11-29 1708
sklearn.preprocessing 包提供了几个常见的实用功能和变换器类型，用来将原始特征向量更改为更适合机器学习模型的形式。 一般来说，机器学习算法受益于数据集的标准化。如果数据集中存在一些离群值，那么稳定的缩放或转换更合适。不同缩放、转换以及归一在一个包含边缘离群值的数据集中的表现在 Compare the effect of different scalers on data with outliers 中有着重说明。 4.3.1. 标准化，也称去均值和方差按比例缩放 数据集的 标准化 对s
scikit-learn sklearn 0.18 中文文档
weixin_33709609的博客
07-18 575
为什么80%的码农都做不了架构师？>>> ...
Scikit-learn 使用手册中文版.zip_SCIKIT-LEARN_Scikit-learn 使用手册中文版_sciki
07-15
Scikit-learn 使用手册中文版
scikit-learn-1.0.2.tar.gz
01-18
在使用过程中，用户可以参考scikit-learn的官方文档，其中包含了详细的教程、示例代码和API参考。这个资源可以帮助初学者快速上手，同时也能为经验丰富的数据科学家提供深入的技术细节。 在实际项目中，scikit-...
scikit-learn-1.3.2.tar.gz
01-17
scikit-learn 1.3.2的文档可能包含更多关于新特性和改进行的详细说明，以及新的教程和案例研究，帮助初学者和经验丰富的开发者快速上手和掌握新功能。 总的来说，"scikit-learn-1.3.2.tar.gz"压缩包包含了这一强大...
scikit-learn0.21.3官方文档中文版完整PDF最新版本
12-14
《scikit-learn 0.21.3 官方文档中文版》为学习者提供了关于Scikit-learn基本功能和API的详细介绍，是学习Scikit-learn不可或缺的资源。有兴趣的读者可以通过这份文档深入了解Scikit-learn的各个方面。
sklearn文档（英文）
05-07
sklearn英文文档
sklearn0.19中文文档
10-30
sklearn0.19中文文档 PDF格式高清。 .1. 广义线性模型 1.1.1. 普通最小二乘法 1.1.1.1. 普通最小二乘法复杂度 1.1.2. 岭回归 1.1.2.1. 岭回归的复杂度 1.1.2.2. 设置正则化参数：广义交叉验证 1.1.3. Lasso 1.1.3.1. 设置正则化参数 1.1.3.1.1. 使用交叉验证 1.1.3.1.2. 基于信息标准的模型选择 1.1.3.1.3. 与 SVM 的正则化参数的比较 1.1.4. 多任务 Lasso 1.1.5. 弹性网络 1.1.6. 多任务弹性网络 1.1.7. 最小角回归 1.1.8. LARS Lasso 1.1.8.1. 数学表达式 1.1.9. 正交匹配追踪法（OMP） 1.1.10. 贝叶斯回归 1.1.10.1. 贝叶斯岭回归 1.1.10.2. 主动相关决策理论 - ARD 1.1.11. logistic 回归 1.1.12. 随机梯度下降, SGD 1.1.13. Perceptron（感知器） 1.1.14. Passive Aggressive Algorithms（被动攻击算法） 1.1.15. 稳健回归（Robustness regression）: 处理离群点 （outliers）和模型错误 1.1.15.1. 各种使用场景与相关概念 1.1.15.2. RANSAC： 随机抽样一致性算法（RANdom SAmple Consensus） 1.1.15.2.1. 算法细节 1.1.15.3. Theil-Sen 预估器: 广义中值估计 1.1.15.3.1. 算法理论细节 1.1.15.4. Huber 回归 1.1.15.5. 注意 1.1.16. 多项式回归：用基函数展开线性模型 1.2. 线性和二次判别分析 1.2.1. 使用线性判别分析来降维 1.2.2. LDA 和 QDA 分类器的数学公式 1.2.3. LDA 的降维数学公式 1.2.4. Shrinkage（收缩） 1.2.5. 预估算法 1.3. 内核岭回归 1.4. 支持向量机 1.4.1. 分类 1.4.1.1. 多元分类 1.4.1.2. 得分和概率 1.4.1.3. 非均衡问题 1.4.2. 回归 1.4.3. 密度估计, 异常（novelty）检测 1.4.4. 复杂度 1.4.5. 使用诀窍 1.4.6. 核函数 1.4.6.1. 自定义核 1.4.6.1.1. 使用 python 函数作为内核 1.4.6.1.2. 使用 Gram 矩阵 1.4.6.1.3. RBF 内核参数 1.4.7. 数学公式 1.4.7.1. SVC 1.4.7.2. NuSVC 1.4.7.3. SVR 1.4.8. 实现细节 1.5. 随机梯度下降 1.5.1. 分类 1.5.2. 回归 1.5.3. 稀疏数据的随机梯度下降 1.5.4. 复杂度 1.5.5. 实用小贴士 1.5.6. 数学描述 1.5.6.1. SGD 1.5.7. 实现细节 1.6. 最近邻 1.6.1. 无监督最近邻 1.6.1.1. 找到最近邻 1.6.1.2. KDTree 和 BallTree 类 1.6.2. 最近邻分类 1.6.3. 最近邻回归 1.6.4. 最近邻算法 1.6.4.1. 暴力计算 1.6.4.2. K-D 树 1.6.4.3. Ball 树 1.6.4.4. 最近邻算法的选择 1.6.4.5. leaf_size 的影响 1.6.5. 最近质心分类 1.6.5.1. 最近缩小质心 1.7. 高斯过程 1.7.1. 高斯过程回归（GPR） 1.7.2. GPR 示例 1.7.2.1. 具有噪声级的 GPR 估计 1.7.2.2. GPR 和内核岭回归(Kernel Ridge Regression)的比 较 1.7.2.3. Mauna Loa CO2 数据中的 GRR 1.7.3. 高斯过程分类（GPC） 1.7.4. GPC 示例 1.7.4.1. GPC 概率预测 1.7.4.2. GPC 在 XOR 数据集上的举例说明 1.7.4.3. iris 数据集上的高斯过程分类（GPC） 1.7.5. 高斯过程内核 1.7.5.1. 高斯过程内核 API 1.7.5.2. 基础内核 1.7.5.3. 内核操作 1.7.5.4. 径向基函数内核 1.7.5.5. Matérn 内核 1.7.5.6. 有理二次内核 1.7.5.7. 正弦平方内核 1.7.5.8. 点乘内核 1.7.5.9. 参考文献 1.7.6. 传统高斯过程 1.7.6.1. 回归实例介绍 1.7.6.2. 噪声数据拟合 1.7.6.3. 数学形式 1.7.6.3.1. 初始假设 1.7.6.3.2. 最佳线性无偏预测（BLUP） 1.7.6.3.3. 经验最佳线性无偏估计（EBLUP） 1.7.6.4. 关联模型 1.7.6.5. 回归模型 1.7.6.6. 实现细节 1.8. 交叉分解 1.9. 朴素贝叶斯 1.9.1. 高斯朴素贝叶斯 1.9.2. 多项分布朴素贝叶斯 1.9.3. 伯努利朴素贝叶斯 1.9.4. 堆外朴素贝叶斯模型拟合 1.10. 决策树 1.10.1. 分类 1.10.2. 回归 1.10.3. 多值输出问题 1.10.4. 复杂度分析 1.10.5. 实际使用技巧 1.10.6. 决策树算法: ID3, C4.5, C5.0 和 CART 1.10.7. 数学表达 1.10.7.1. 分类标准 1.10.7.2. 回归标准 1.11. 集成方法 1.11.1. Bagging meta-estimator（Bagging 元估计器） 1.11.2. 由随机树组成的森林 1.11.2.1. 随机森林 1.11.2.2. 极限随机树 1.11.2.3. 参数 1.11.2.4. 并行化 1.11.2.5. 特征重要性评估 1.11.2.6. 完全随机树嵌入 1.11.3. AdaBoost 1.11.3.1. 使用方法 1.11.4. Gradient Tree Boosting（梯度树提升） 1.11.4.1. 分类 1.11.4.2. 回归 1.11.4.3. 训练额外的弱学习器 1.11.4.4. 控制树的大小 1.11.4.5. Mathematical formulation（数学公式） 1.11.4.5.1. Loss Functions（损失函数） 1.11.4.6. Regularization（正则化） 1.11.4.6.1. 收缩率 (Shrinkage) 1.11.4.6.2. 子采样 (Subsampling) 1.11.4.7. Interpretation（解释性） 1.11.4.7.1. Feature importance（特征重要性） 1.11.4.7.2. Partial dependence（部分依赖） 1.11.5. Voting Classifier（投票分类器） 1.11.5.1. 多数类标签 (又称为 多数/硬投票) 1.11.5.1.1. 用法 1.11.5.2. 加权平均概率 （软投票） 1.11.5.3. 投票分类器（VotingClassifier）在网格搜索 （GridSearch）应用 1.11.5.3.1. 用法 1.12. 多类和多标签算法 1.12.1. 多标签分类格式 1.12.2. 1对其余 1.12.2.1. 多类学习 1.12.2.2. 多标签学习 1.12.3. 1对1 1.12.3.1. 多类别学习 1.12.4. 误差校正输出代码 1.12.4.1. 多类别学习 1.12.5. 多输出回归 1.12.6. 多输出分类 1.12.7. 链式分类器 1.13. 特征选择 1.13.1. 移除低方差特征 1.13.2. 单变量特征选择 1.13.3. 递归式特征消除 1.13.4. 使用 SelectFromModel 选取特征 1.13.4.1. 基于 L1 的特征选取 1.13.4.2. 基于 Tree（树）的特征选取 1.13.5. 特征选取作为 pipeline（管道）的一部分 1.14. 半监督学习 1.14.1. 标签传播 1.15. 等式回归 1.16. 概率校准 1.17. 神经网络模型（有监督） 1.17.1. 多层感知器 1.17.2. 分类 1.17.3. 回归 1.17.4. 正则化 1.17.5. 算法 1.17.6. 复杂性 1.17.7. 数学公式 1.17.8. 实用技巧 1.17.9. 使用 warm_start 的更多控制
Python-sklearn文档
07-15
Python.Machine.Learning
scikit-learn中文文档
04-02
SciKit learn的简称是SKlearn,是一个python库,专门用于机器学习的模块。
Scikit-learn 使用手册中文版(官方手册中文版)
12-20
Scikit-learn 使用手册中文版 有监督学习 广义线性模型 11.广义线性模型 英文原文 以下介绍的方法均是用于求解回归问题,其目标值预计是输入变量的一个线性组合。写成数 学语言为:假设!是预测值,则有 y(,x)=0+u1x1+.p 在本节中’称向量=(1,…,n)为ce-·、%ma%W%nma%为 intercept 若要将通用的线性模型用于分类问题,可参见 Logistic回归 1.11普通最小二乘法 Linear使用系数=(1,…,mp)拟合一个线性模型。拟合的目标是要将线性 逼近预測值(XU)和数据集中观察到的值(y)两者之差的平方和尽量降到最小。写成数学 公式即是要解决以下形式的问题 IXw-yl2 广义线性模型 LinearRegression的fit方法接受数组Ⅹ和y作为输入’将线性模型的乐数ω存在成员变
Sklearn 0.21 中文文档校对活动 | ApacheCN
热门推荐
龙哥盟
08-09 3万+
整体进度：https://github.com/apachecn/sklearn-doc-zh/issues/352 贡献指南：https://github.com/apachecn/sklearn-doc-zh/blob/master/CONTRIBUTING.md 项目仓库：https://github.com/apachecn/sklearn-doc-zh 贡献指南 请您勇敢地去翻译和改...
Scikit-Learn (Sklearn) 中文文档 0.19
weixin_34232744的博客
12-10 436
Scikit-Learn (Sklearn) 中文文档 0.19 scikit-learn 是基于 Python 语言的机器学习工具。 简单高效的数据挖掘和数据分析工具 可供大家在各种环境中重复使用 建立在 NumPy ，SciPy 和 matplotlib 上 开源，可商业使用 - BSD许可证 官网地址: scikit-learn(sklearn): http://scikit-lear...
scikit-learn官方文档中文版
Vertira的博客
03-30 4187
scikit-learn (sklearn) 官方文档中文版简介
scikit-learn 0.19中文文档完整版PDF下载
根据给定的文件信息，我们可以得知这是一个关于“scikit-learn 0.19”版本的中文文档，该文档为PDF格式，共有507页，包含了目录以及标签的调整，文件本身没有设置访问密码。接下来，我们将详细介绍与scikit-learn...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值