Scikit-Learn (Sklearn) 中文文档 0.19

最新推荐文章于 2019-08-11 09:43:00 发布
原创 最新推荐文章于 2019-08-11 09:43:00 发布 · 977 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #开发工具 #markdown

Scikit-Learn（Sklearn）是基于Python的机器学习库，提供简单高效的数据挖掘和数据分析工具。本文档为0.19版本的中文翻译，包括维护地址、翻译进度、历史版本等信息，并邀请社区参与翻译和错误修正。

Scikit-Learn (Sklearn) 中文文档 0.19

scikit-learn 是基于 Python 语言的机器学习工具。

  1. 简单高效的数据挖掘和数据分析工具
  2. 可供大家在各种环境中重复使用
  3. 建立在 NumPy ，SciPy 和 matplotlib 上
  4. 开源，可商业使用 - BSD许可证

官网地址: scikit-learn(sklearn): http://scikit-learn.org
中文文档: ApacheCN - scikit-learn(sklearn): http://sklearn.apachecn.org

维护地址

github: https://github.com/apachecn/scikit-learn-doc-zh/
ApacheCN: http://sklearn.apachecn.org/

正在翻译

scikit-learn(sklearn) 0.19

历史版本

参与翻译 & 发现错误

最低0.47元/天 解锁文章
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
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。
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
scikit-learn sklearn 0.18 中文文档
weixin_33709609的博客
07-18 580
为什么80%的码农都做不了架构师？>>> ...
scikit-learn0.19中文文档超清版
12-14
本知识点将围绕着scikit-learn 0.19版本中文文档中介绍的监督学习部分进行详细阐述。 监督学习是指机器学习算法通过训练集中的输入-输出对应关系，学习出一个模型，以便对新的数据做出预测。这一部分涵盖了多种不同...
scikit-learn 0.19 中文文档pdf完整文字版
02-19
scikit-learn 0.19 中文文档pdf完整文字版，共507页， 文档打开口令：beijing8106
python Scikit-Learn0.19中文文档
03-17
在介绍Python Scikit-Learn库的0.19版本中文文档的知识点之前，首先需要指出的是，Scikit-Learn是一个开源的机器学习库，专门用于数据挖掘和数据分析。通过使用Scikit-Learn，开发者可以轻松地实现各种算法，例如...
scikit-learn 0.19 中文文档 pdf 格式带标签目标
10-02
scikit-learn 0.19中文文档完整版，pdf 格式，一共507页，带目录标签调整，没有密码
【Scikit-Learn 中文文档】协方差估计 / 经验协方差 / 收敛协方差 / 稀疏逆协方差 / Robust 协方差估计 - 无监督学习 - 用户指南 | ApacheCN
妳那伊抹微笑的专栏
11-23 1658
2.6. 协方差估计 许多统计问题在某一时刻需要估计一个总体的协方差矩阵，这可以看作是对数据集散点图形状的估计。 大多数情况下，基于样本的估计（基于其属性，如尺寸，结构，均匀性）， 对估计质量有很大影响。 sklearn.covariance 方法的目的是 提供一个能在各种设置下准确估计总体协方差矩阵的工具。 我们假设观察是独立的，相同分布的 (i.i.d.)。 2.7. 经验协方差 已知数据集的协方差矩阵与经典 maximum likelihood estimator(最大似然估计) （或 “经验协方差
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
sklearn中文文档+Python英文文档
12-28
sklearn0.19中文文档+Python3.7.2英文文档，epub格式，可以下载一个Neat reader，看起来很方便
Scikit-learn 使用手册中文版
10-14
Scikit-learn 使用手册中文版 机器学习 Python 库 数据挖掘
scikit-learn-docs.pdf
05-12
scikit-learn user guide英文文档，版本0.19.1，官网上不太好找我就贴出来了，方便大家学习。共有2170页，有详细的api介绍，如果选择scikit玩机器学习，是不可或缺的工具书。
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 中文文档】使用 scikit-learn 介绍机器学习 | ApacheCN
妳那伊抹微笑的专栏
11-20 869
文档链接: http://sklearn.apachecn.org/cn/0.19.0/tutorial/basic/tutorial.html GitHub: https://github.com/apachecn/scikit-learn-doc-zh（觉得不错麻烦给个 Star） 使用 scikit-learn 介绍机器学习 | ApacheCN 内容提
sklearn 中文文档
L99887766的博客
08-11 253
https://www.ibooker.org.cn/docs/ 转载于:https://www.cnblogs.com/shuangcao/p/11333967.html
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