scikit-learn (sklearn) offizielle Dokumentation chinesische Version

Logo

sklearn 0.21.3 Chinesische Dokumentation

sklearn 0.21.3 Chinesisches Beispiel

Offizielle englische Website von sklearn

einführen

sklearn (scikit-learn) ist ein maschinelles Lerntool, das auf der Python-Sprache basiert

Einfache und effiziente Data-Mining- und Datenanalyse-Tools
Kann von jedem in verschiedenen Umgebungen wiederverwendet werden
Basierend auf NumPy, SciPy und Matplotlib
Open Source, verfügbar für kommerzielle Nutzung – BSD-Lizenz

Organisationsaufbau [Website]

GitHub-Seiten (ausländisch): https://sklearn.apachecn.org
Gitee-Seiten (Inland): https://apachecn.gitee.io/sklearn-doc-zh

Drittanbieter-Webmaster [Website]

Adresse A: xxx (Hinterlassen Sie gerne eine Nachricht, wir werden sie verbessern)

Andere Ergänzungen

Offizieller Github
EPUB-Downloadadresse
ApacheCN-Übersetzungs- und Korrekturlese-Teilzeitgruppe 713436582

herunterladen

Docker

 docker pull apachecn0/sklearn-doc-zh
docker run -tid -p :80 apachecn0/sklearn-doc-zh
# 访问 http://localhost:{port} 查看文档

PYPI

 pip install sklearn-doc-zh
sklearn-doc-zh 
# 访问 http://localhost:{port} 查看文档

NPM

 npm install -g sklearn-doc-zh
sklearn-doc-zh 
# 访问 http://localhost:{port} 查看文档

Inhaltsverzeichnis

Scikit-learn installieren
Benutzerhandbuch
- 1. Überwachtes Lernen
  - 1.1. Verallgemeinertes lineares Modell
  - 1.2. Lineare und quadratische Diskriminanzanalyse
  - 1.3. Kernel-Ridge-Regression
  - 1.4. Support-Vektor-Maschine
  - 1.5. Stochastischer Gradientenabstieg
  - 1.6. Nächster Nachbar
  - 1.7. Gaußscher Prozess
  - 1.8. Kreuzzerlegung
  - 1.9. Naive Bayes
  - 1.10. Entscheidungsbaum
  - 1.11. Integrierter Ansatz
  - 1.12. Multi-Klassen- und Multi-Label-Algorithmen
  - 1.13. Funktionsauswahl
  - 1.14. Halbüberwachtes Lernen
  - 1.15. Gleichungsregression
  - 1.16. Wahrscheinlichkeitskalibrierung
  - 1.17. Neuronales Netzwerkmodell (überwacht)
- 2. Unüberwachtes Lernen
  - 2.1. Gaußsches Mischungsmodell
  - 2.2. Vielfältiges Lernen
  - 2.3. Clustering
  - 2.4. Biclustering
  - 2.5. Signale in Komponenten zerlegen (Matrixfaktorisierungsproblem)
  - 2.6. Kovarianzschätzung
  - 2.7. Neuheits- und Ausreißererkennung
  - 2.8. Dichteschätzung
  - 2.9. Neuronales Netzwerkmodell (unüberwacht)
- 3. Modellauswahl und -bewertung
  - 3.1. Kreuzvalidierung: Bewertung der Schätzerleistung
  - 3.2. Anpassen der Hyperparameter des Schätzers
  - 3.3. Modellbewertung: Quantifizierung der Qualität von Vorhersagen
  - 3.4. Modellpersistenz
  - 3.5. Validierungskurve: Zeichnen Sie die Ergebnisse auf, um das Modell zu bewerten
- 4. Inspektion
  - 4.1. Partielles Abhängigkeitsdiagramm
- 5. Datensatzkonvertierung
  - 5.1. Pipeline und FeatureUnion: kombinierte Evaluatoren
  - 5.2. Merkmalsextraktion
  - 5.3 Datenvorverarbeitung
  - 5.4 Fehlwertimputation
  - 5.5. Unbeaufsichtigte Dimensionsreduktion
  - 5.6. Zufällige Projektion
  - 5.7. Kernel-Annäherung
  - 5.8. Paare von Matrizen, Kategorien und Kernelfunktionen
  - 5.9. Konvertierung des Vorhersageziels ( y )
- 6. Tool zum Laden von Datensätzen
  - 6.1. Gemeinsame Datensatz-API
  - 6.2. Spielzeugdatensatz
  - 6.3 Datensätze aus der realen Welt
  - 6.4. Sample-Generator
  - 6.5. Andere Datensätze laden
- 7. Berechnen Sie mit scikit-learn
  - 7.1. Strategien für Large-Scale Computing: größere Datenmengen
  - 7.2. Rechenleistung
  - 7.3. Parallelität, Ressourcenverwaltung und Konfiguration
Anleitung
- Einführung in maschinelles Lernen mit scikit-learn
- Statistisches Lerntutorial zur wissenschaftlichen Datenverarbeitung
  - Maschinelles Lernen: Einstellungen und Vorhersageobjekte in scikit-learn
  - Überwachtes Lernen: Vorhersage von Ausgabevariablen aus hochdimensionalen Beobachtungen
  - Modellauswahl: Auswahl von Schätzern und ihren Parametern
  - Unüberwachtes Lernen: die Suche nach Datendarstellung
  - füge sie zusammen
  - Bitten Sie um Hilfe
- Textdaten verarbeiten
- Wählen Sie den richtigen Schätzer (estimator.md)
- Externe Ressourcen, Videos und Vorträge
API-Referenz
FAQ
Zeitachse

Historische Version

scikit-learn (sklearn) 0.19 offizielles Dokument chinesische Version
scikit-learn (sklearn) 0.18 offizielles Dokument chinesische Version

So kompilieren und verwenden Sie historische Versionen:

Entpacken Sie den Ordner 0.19.x.zip
Kopieren Sie die Bildressourcen von master/img nach 0.19.x
Für den normalen Kompilierungsprozess von Gitbook können Sie sh run_website.sh verwenden

Beitragsleitfaden

Um die Qualität der Übersetzungen kontinuierlich zu verbessern, haben wir [Übersetzungs-, Korrekturlese- und Notizenaktivitäten] gestartet und mehrere Korrekturleseprojekte gestartet. Mitwirkende können nach dem Korrekturlesen eines Kapitels eine Belohnung von 2 bis 4 Yuan pro tausend Wörter erhalten. Die laufenden Korrekturleseaktivitäten finden Sie in der Aktivitätsliste. Für weitere Informationen wenden Sie sich bitte an Feilong (Q562826179, V: Wizardforcel).

DOCX: Initiative für den offenen Austausch von Forschungsunterlagen

Wir reagieren aktiv auf die Open Source Initiative for Research (DOCX). Heutzutage ist Open Source nicht nur Open Source, sondern umfasst auch Datensätze, Modelle, Tutorials und experimentelle Aufzeichnungen. Wir untersuchen auch andere Kategorien von Open-Source-Lösungen und -Protokollen.

Ich hoffe, dass jeder diese Initiative versteht, sie mit seinen eigenen Interessen verbindet und etwas im Rahmen seiner Möglichkeiten tut. Der kleine Beitrag jedes Einzelnen ergibt zusammengenommen das gesamte Open-Source-Ökosystem.

Projektleiter

Format: GitHub + QQ

Die erste Ausgabe (29.09.2017)

@Nayi Mo lächelt
@Moment
@小瑶

Zweite Ausgabe (29.06.2019)

@N!no:1352899627
@mahaoyang:992635910
@loopyme: 3322728009
Feilong: 562826179
Moment: 529815144

-- Anforderungen der verantwortlichen Person: (Willkommen, zur sklearn 中文版本beizutragen)

Ich liebe Open Source und gebe gerne an
Verwenden Sie sklearn über einen längeren Zeitraum (mindestens 0,5 Jahre) + senden Sie Pull Requests>=3
Wir haben die Möglichkeit, Seitenfehler und Benutzerprobleme zeitnah zu beheben
Probezeit: 2 Monate
Willkommen bei Kontakt: 529815144

Mitwirkender

【0.19.X】Mitwirkendenliste

Anregungen und Feedback

Reichen Sie ein Problem auf unserem Github „apachecn/pytorch-doc-zh“ ein.
Senden Sie eine E-Mail an E-Mail: [email protected] .
Kontaktieren Sie einfach den Gruppeninhaber/-administrator in unserer QQ-Gruppensuche: Kommunikationsmethode.

Projektvereinbarung

In letzter Zeit haben uns viele Leute wegen Fragen zur Inhaltslizenzierung kontaktiert!
Open Source bedeutet, dass sich Wissen auf die Verbreitung und Wiederholung konzentrieren sollte (anstatt anderen das Nachdrucken zu verbieten).
Andernfalls müssen Sie krank sein, wenn Sie es als Open Source auf GitHub veröffentlichen und dann sagen, dass Sie es nicht erneut drucken dürfen!
Eine Kommerzialisierung ist untersagt, beachten Sie die Protokollvorgaben und geben Sie bitte die Quelle der Adresse an. Wichtige Punkte: Es ist nicht erforderlich, uns eine E-Mail zu senden, um sich zu bewerben.
Projekte ohne Vereinbarung unter dem ApacheCN-Konto werden als CC BY-NC-SA 4.0 betrachtet.

Freundliche Tipps:

Für diejenigen, die eine Kopie erstellen und selbst aktualisieren möchten
Ich hatte diese Erfahrung auch, aber diese Leidenschaft konnte einige Monate lang nicht anhalten, bevor ich entmutigt wurde!
Es ist nicht nur eine Verschwendung Ihrer harten Arbeit, sondern es ist auch eine Verschwendung, dass mehr Menschen Ihre Übersetzungsergebnisse sehen! es ist Schade! Was denken Sie?
Mein persönlicher Vorschlag ist: fork -> Pull Requests an https://github.com/apachecn/sklearn-doc-zh
Warum also ApacheCN wählen?
Denn wenn wir übersetzen, fühlen wir uns glücklich und anmaßend, was relativ rein ist!
Wenn es Ihnen gefällt, können Sie ohne Einschränkung Ihrer akademischen Qualifikation oder Ihres Hintergrunds an diesem Projekt teilnehmen bzw. es sogar verantworten.