Documentación oficial de scikit-learn (sklearn) versión china

logo

sklearn 0.21.3 documentación china

Sklearn 0.21.3 ejemplo chino

Sitio web oficial de sklearn inglés

introducir

sklearn (scikit-learn) es una herramienta de aprendizaje automático basada en el lenguaje Python

Herramientas de análisis y extracción de datos simples y eficientes
Puede ser reutilizado por todos en una variedad de entornos.
Construido sobre NumPy, SciPy y matplotlib
Código abierto, disponible para uso comercial - licencia BSD

Edificio de organización [sitio web]

Páginas de GitHub (extranjera): https://sklearn.apachecn.org
Páginas de Gitee (nacional): https://apachecn.gitee.io/sklearn-doc-zh

Webmaster externo [sitio web]

Dirección A: xxx (Bienvenido a dejar un mensaje, lo mejoraremos)

Otros suplementos

Github oficial
dirección de descarga EPUB
ApacheCN grupo de traducción y revisión a tiempo parcial 713436582

descargar

Estibador

 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

MNP

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

Tabla de contenido

Instalar scikit-learn
Guía del usuario
- 1. Aprendizaje supervisado
  - 1.1. Modelo lineal generalizado
  - 1.2. Análisis discriminante lineal y cuadrático
  - 1.3. Regresión de la cresta del núcleo
  - 1.4. Máquina de vectores de soporte
  - 1.5. Descenso del gradiente estocástico
  - 1.6.
  - 1.7. proceso gaussiano
  - 1.8. Descomposición cruzada
  - 1.9. Bayes ingenuo
  - 1.10. Árbol de decisión
  - 1.11. Enfoque integrado
  - 1.12. Algoritmos multiclase y multietiqueta
  - 1.13. Selección de funciones
  - 1.14. Aprendizaje semisupervisado
  - 1.15. Regresión de ecuaciones
  - 1.16. Calibración probabilística
  - 1.17. Modelo de red neuronal (supervisado)
- 2. Aprendizaje no supervisado
  - 2.1. modelo de mezcla gaussiana
  - 2.2. Aprendizaje múltiple
  - 2.3.
  - 2.4.
  - 2.5. Descomponer señales en componentes (problema de factorización matricial)
  - 2.6. Estimación de covarianza
  - 2.7. Detección de novedades y valores atípicos
  - 2.8. Estimación de densidad
  - 2.9. Modelo de red neuronal (no supervisado)
- 3. Selección y evaluación del modelo.
  - 3.1. Validación cruzada: evaluación del desempeño del estimador.
  - 3.2. Ajuste de los hiperparámetros del estimador.
  - 3.3 Evaluación del modelo: cuantificar la calidad de las predicciones
  - 3.4. Persistencia del modelo
  - 3.5. Curva de validación: Trazar puntuaciones para evaluar el modelo.
- 4. Inspección
  - 4.1. Gráfico de dependencia parcial
- 5. Conversión de conjuntos de datos
  - 5.1. Pipeline y FeatureUnion: evaluadores combinados
  - 5.2. Extracción de características
  - 5.3 Datos de preprocesamiento
  - 5.4 Imputación del valor faltante
  - 5.5. Reducción de dimensionalidad no supervisada.
  - 5.6. Proyección aleatoria
  - 5.7. Aproximación del núcleo
  - 5.8. Pares de matrices, categorías y funciones kernel
  - 5.9. Conversión del objetivo de predicción ( y )
- 6. Herramienta de carga de conjuntos de datos
  - 6.1. API de conjunto de datos común
  - 6.2. Conjunto de datos de juguetes
  - 6.3 Conjuntos de datos del mundo real
  - 6.4. Generador de muestras
  - 6.5. Cargando otros conjuntos de datos
- 7. Calcule usando scikit-learn
  - 7.1 Estrategias para la computación a gran escala: mayores cantidades de datos
  - 7.2. Rendimiento computacional
  - 7.3. Paralelismo, gestión de recursos y configuración.
Tutorial
- Introducción al aprendizaje automático utilizando scikit-learn
- Tutorial de aprendizaje estadístico sobre procesamiento de datos científicos.
  - Aprendizaje automático: configuraciones y objetos de predicción en scikit-learn
  - Aprendizaje supervisado: predicción de variables de salida a partir de observaciones de alta dimensión
  - Selección de modelo: elección de estimadores y sus parámetros.
  - Aprendizaje no supervisado: la búsqueda de la representación de datos
  - ponerlos juntos
  - pide ayuda
- Procesar datos de texto
- Elija el estimador correcto (estimator.md)
- Recursos externos, vídeos y charlas
Referencia API
Preguntas frecuentes
Eje del tiempo

Versión histórica

scikit-learn (sklearn) 0.19 documento oficial versión china
scikit-learn (sklearn) 0.18 documento oficial versión china

Cómo compilar y utilizar versiones históricas:

Descomprima la carpeta 0.19.x.zip
Copie los recursos de imagen de master/img a 0.19.x
Para el proceso de compilación normal de gitbook, puedes usar sh run_website.sh

Guía de contribución

Para mejorar continuamente la calidad de la traducción, hemos lanzado [actividades de traducción, revisión y toma de notas] y hemos abierto múltiples proyectos de revisión. Los contribuyentes pueden recibir una recompensa de 2 a 4 yuanes por cada mil palabras después de corregir un capítulo. Para actividades de revisión en curso, consulte la lista de actividades. Para obtener más detalles, comuníquese con Feilong (Q562826179, V: Wizardforcel).

DOCX: Iniciativa para el intercambio abierto de registros de investigación

Respondemos activamente a la Iniciativa de Código Abierto para la Investigación (DOCX). Hoy en día, el código abierto no es solo código abierto, sino que también incluye conjuntos de datos, modelos, tutoriales y registros experimentales. También estamos explorando otras categorías de soluciones y protocolos de código abierto.

Espero que todos comprendan esta iniciativa, la combinen con sus propios intereses y hagan algo dentro de sus posibilidades. La pequeña contribución de todos, en conjunto, es todo el ecosistema de código abierto.

Líder del proyecto

Formato: GitHub + QQ

El primer número (2017-09-29)

@Nayi Mo sonríe
@momento
@小瑶

Segundo número (29-06-2019)

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

-- Requisitos del responsable: (Bienvenido a contribuir a sklearn 中文版本)

Me encanta el código abierto y me gusta presumir
Utilice sklearn durante mucho tiempo (al menos 0,5 años) + envíe solicitudes de extracción>=3
Capaz de tener tiempo para optimizar los errores de la página y los problemas de los usuarios de manera oportuna.
Período de prueba: 2 meses
Bienvenido al contacto: 529815144

Contribuyente

【0.19.X】Lista de contribuyentes

Sugerencias y comentarios

Presente un problema en nuestro github apachecn/pytorch-doc-zh.
Envíe un correo electrónico al correo electrónico: [email protected] .
Simplemente comuníquese con el propietario/administrador del grupo en nuestro grupo QQ-Buscar: método de comunicación.

acuerdo de proyecto

Recientemente, muchas personas se han puesto en contacto con nosotros por cuestiones de licencia de contenido.
El código abierto significa que el conocimiento debe centrarse en la difusión y la iteración (en lugar de prohibir a otros la reimpresión).
De lo contrario, si lo abres en GitHub y luego dices que no puedes reimprimirlo, ¡debes estar enfermo!
La comercialización está prohibida, cumpla con las especificaciones del protocolo y tenga en cuenta la fuente de la dirección. Puntos clave: No es necesario enviarnos un correo electrónico para presentar la solicitud.
Los proyectos sin acuerdo bajo la cuenta ApacheCN se considerarán CC BY-NC-SA 4.0.

Consejos amables:

Para aquellos que quieran hacer una copia y actualizarla ellos mismos.
Yo también tuve esta experiencia, pero esta pasión no pudo durar unos meses antes de que me desanimara.
¡No sólo es un desperdicio su arduo trabajo, sino que también es un desperdicio que más personas vean los resultados de su traducción! ¡es una lástima! ¿Qué opinas?
Mi sugerencia personal es: bifurcación -> solicitudes de extracción a https://github.com/apachecn/sklearn-doc-zh
Entonces, ¿por qué elegir ApacheCN ?
Porque cuando traducimos nos sentimos felices y pretenciosos, ¡lo cual es relativamente puro!
Si te gusta, puedes participar/incluso ser responsable de este proyecto sin restricciones de calificaciones o antecedentes académicos.