sklearn中文api翻译

最新推荐文章于 2020-08-31 16:38:26 发布
转载 最新推荐文章于 2020-08-31 16:38:26 发布 · 670 阅读 · 0
文章标签：

#机器学习

本文提供了 优快云 博客的一个示例链接，虽然具体内容未给出，但通常涉及软件开发和技术分享等内容。
http://blog.youkuaiyun.com/u010859707/article/details/74995531?locationNum=2&fps=1   中文翻译博客地址
sklearn中常用的机器学习算法API
乐亦亦乐的博客
03-01 2489
机器学习算法分类 监督学习（预测） 特征值+目标值 分类： k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归、神经网络 回归: 线性回归、领回归 标注： 隐马尔可夫模型 无监督学习 特征值 聚类 k-means 开发流程： 建立模型：根据数据类型划分应用种类 原始数据明确问题做什么 数据的基本处理：pda去处理数据（缺失值，合并表……...
sklearn_中文
05-30
在这本书里，我们将看到一些机器学习的模型和算法。我们会介绍一些常用的机器学习...而这些模型和算法都是通过十分流行的Python机器学习库scikit-learn来完成，里面有许多机器学习的模型和算法，每个API都简单易用。
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库中文版完全使用手册
04-20
sklearn使用手册，包括实例step by step，迄今为止讲解得最为详细的该库的中文版使用手册。既有理论也有代码的实现，只要稍微会点Python,理解起来就十分容易了。如果有数学基础的话，那就更好了！（非必须）。
sklearn API 文档 - 0.18 中文翻译
weixin_33757609的博客
07-11 773
为什么80%的码农都做不了架构师？>>> ...
scikit-learn（sklearn） 0.19 中文文档的翻译计划，邀请你的加入 | ApacheCN
妳那伊抹微笑的专栏
09-29 4078
scikit-learn（sklearn）官方地址: http://scikit-learn.org/ * 简单高效的数据挖掘和数据分析工具 * 可供大家使用，可在各种环境中重复使用 * 建立在 NumPy，SciPy 和 matplotlib 上 * 开放源码，可商业使用 - BSD license关于我们我们是 ApacheCN 开源组织，一群有想法，爱装逼，爱斗图，有活力，爱搞事，爱吃
精选资源
sklearn_0.21.3中文手册（机器学习库）,sklearn中文手册pdf,Python
09-10
scikit-learn (sklearn) 官方文档中文版。scikit-learn 是基于 Python 语?的机器学习工具
sklearn_0.21.3中文手册.pdf
12-25
scikit-learn（通常简称为sklearn）是基于Python语言的机器学习工具包，它提供了简单高效的数据挖掘和数据分析工具。该工具包可用于各种环境中，适用于重复使用，建立在NumPy、SciPy和matplotlib之上，并且是开源的...
SciPyCon 2018 Sklearn教程中文翻译版
scikit-learn是一个基于Python的开源机器学习库，它提供了许多常用的机器学习算法，并且拥有简单易用的API接口，使得在Python中实现机器学习变得非常方便。scikit-learn支持各种机器学习任务，包括分类、回归、聚类...
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
机器学习-sklearn中文文档
最新发布
03-27
sklearn，全称scikit-learn，是Python中一个非常强大的机器学习库，它提供了简单高效的工具，用于数据挖掘和数据分析。sklearn库包含了大量的算法，如分类、回归、聚类、降维、模型选择等，并且这些算法都经过了良好的优化和封装，使得用户可以轻松地应用它们到实际问题中。 sklearn的文档非常完善，不仅提供了每个函数和类的详细解释，还给出了丰富的示例代码，帮助用户快速上手。更值得一提的是，sklearn的文档已经有了中文版本，这对于中文用户来说无疑是一个巨大的福音。通过中文文档，用户可以更加深入地理解每个函数和类的含义和用法，避免由于语言障碍导致的理解错误。 中文版的sklearn文档，从基础概念到高级应用，都进行了详细的阐述。无论是初学者还是有一定经验的机器学习工程师，都可以从中受益。对于初学者来说，中文文档可以帮助他们快速了解sklearn的基本框架和常用算法；对于有经验的工程师来说，中文文档则可以帮助他们更加深入地理解sklearn的高级特性和最佳实践。 此外，sklearn的社区也非常活跃，用户可以在社区中提问、分享经验、交流想法。这不仅可以解决用户在使
sklearn_中文教程简单易懂
10-14
这个是sklearn的一个中文简单教程，上手快，原理解释通俗易懂
sklearn文档（英文）
05-07
sklearn英文文档
sklearn中文学习手册
09-11
scikit-learn-user-guide-chinese-version.pdf。 sklearn 学习手册，中文版，有算法的调用等，从网络找到的。
sklearn API 文档 - 0.19 中文翻译
*乘号的笔记本
03-26 655
http://sklearn.apachecn.org/cn/0.19.0/modules/classes.html1.1. 广义线性模型http://sklearn.apachecn.org/cn/0.19.0/modules/linear_model.html#linear-model1.1.15.4. Huber 回归http://sklearn.apachecn.org/cn/0.19.0...
scikit-learn sklearn 0.18 中文文档
weixin_33709609的博客
07-18 582
为什么80%的码农都做不了架构师？>>> ...
sklearn 快速入门 - 0.18 中文翻译
片刻 - ApacheCN
07-11 1391
对机器学习问题的简要介绍，以及如何使用scikit-learn来解决这些问题。介绍基本概念和惯例。 原文链接 : http://scikit-learn.org/stable/tutorial/basic/tutorial.html 译文链接 : http://cwiki.apachecn.org/pages/viewpage.action?pageId=10813
sklearn中文教程
qcymkxyc的博客
08-31 1208
sklearn中文教程：www.sklearncn.cn
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