documentation officielle de scikit-learn (sklearn) version chinoise

logo

sklearn 0.21.3 documentation chinoise

sklearn 0.21.3 exemple chinois

site officiel de sklearn anglais

introduire

sklearn (scikit-learn) est un outil d'apprentissage automatique basé sur le langage Python

Outils d’exploration et d’analyse de données simples et efficaces
Peut être réutilisé par tout le monde dans une variété d’environnements
Construit sur NumPy, SciPy et matplotlib
Open source, disponible pour un usage commercial - Licence BSD

Création d'organisation [Site Web]

Pages GitHub (étrangères) : https://sklearn.apachecn.org
Pages Gitee (nationales) : https://apachecn.gitee.io/sklearn-doc-zh

Webmaster tiers [site Web]

Adresse A : xxx (Bienvenue pour laisser un message, nous allons l'améliorer)

Autres suppléments

Github officiel
Adresse de téléchargement EPUB
Groupe de traduction et de relecture ApacheCN à temps partiel 713436582

télécharger

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

PIPI

 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

Table des matières

Installer scikit-learn
Guide de l'utilisateur
- 1. Apprentissage supervisé
  - 1.1. Modèle linéaire généralisé
  - 1.2. Analyse discriminante linéaire et quadratique
  - 1.3. Régression de la crête du noyau
  - 1.4. Machine à vecteurs de support
  - 1.5. Descente de gradient stochastique
  - 1.6. Voisin le plus proche
  - 1.7. Processus gaussien
  - 1.8. Décomposition croisée
  - 1.9. Bayes naïfs
  - 1.10. Arbre de décision
  - 1.11. Approche intégrée
  - 1.12. Algorithmes multi-classes et multi-étiquettes
  - 1.13. Sélection des fonctionnalités
  - 1.14. Apprentissage semi-supervisé
  - 1.15. Régression d'équation
  - 1.16. Calibrage probabiliste
  - 1.17. Modèle de réseau neuronal (supervisé)
- 2. Apprentissage non supervisé
  - 2.1. Modèle de mélange gaussien
  - 2.2. Apprentissage multiple
  - 2.3. Regroupement
  - 2.4. Bicluster
  - 2.5. Décomposer les signaux en composants (problème de factorisation matricielle)
  - 2.6. Estimation de la covariance
  - 2.7. Nouveauté et détection des valeurs aberrantes
  - 2.8. Estimation de la densité
  - 2.9. Modèle de réseau neuronal (non supervisé)
- 3. Sélection et évaluation du modèle
  - 3.1. Validation croisée : évaluation des performances de l'estimateur
  - 3.2. Ajustement des hyperparamètres de l'estimateur
  - 3.3. Évaluation du modèle : quantifier la qualité des prédictions
  - 3.4. Persistance du modèle
  - 3.5. Courbe de validation : tracer les scores pour évaluer le modèle
- 4. Contrôle
  - 4.1. Graphique de dépendance partielle
- 5. Conversion d'ensembles de données
  - 5.1. Pipeline et FeatureUnion : évaluateurs combinés
  - 5.2.Extraction de fonctionnalités
  - 5.3 Données de prétraitement
  - 5.4 Imputation des valeurs manquantes
  - 5.5. Réduction de dimensionnalité non supervisée
  - 5.6. Projection aléatoire
  - 5.7. Rapprochement du noyau
  - 5.8. Paires de matrices, catégories et fonctions noyau
  - 5.9. Conversion de la cible de prédiction ( y )
- 6. Outil de chargement d'ensemble de données
  - 6.1. API d'ensemble de données commune
  - 6.2. Ensemble de données sur les jouets
  - 6.3 Ensembles de données du monde réel
  - 6.4. Générateur d'échantillons
  - 6.5. Chargement d'autres ensembles de données
- 7. Calculer à l'aide de scikit-learn
  - 7.1. Stratégies pour le calcul à grande échelle : de plus grandes quantités de données
  - 7.2. Performances informatiques
  - 7.3. Parallélisme, gestion des ressources et configuration
Tutoriel
- Introduction à l'apprentissage automatique à l'aide de scikit-learn
- Tutoriel d'apprentissage statistique sur le traitement des données scientifiques
  - Apprentissage automatique : paramètres et objets de prédiction dans scikit-learn
  - Apprentissage supervisé : prédire les variables de sortie à partir d'observations de grande dimension
  - Sélection de modèle : choix des estimateurs et de leurs paramètres
  - Apprentissage non supervisé : la recherche de la représentation des données
  - rassemblez-les
  - Demander de l'aide
- Traiter les données textuelles
- Choisissez le bon estimateur (estimator.md)
- Ressources externes, vidéos et conférences
Référence API
FAQ
Axe du temps

Version historique

scikit-learn (sklearn) 0.19 document officiel version chinoise
scikit-learn (sklearn) 0.18 document officiel version chinoise

Comment compiler et utiliser les versions historiques :

Décompressez le dossier 0.19.x.zip
Copiez les ressources d'image de master/img vers 0.19.x
Pour le processus de compilation normal de gitbook, vous pouvez utiliser sh run_website.sh

Guide des contributions

Afin d'améliorer continuellement la qualité de la traduction, nous avons lancé [des activités de traduction, de relecture et de prise de notes] et ouvert plusieurs projets de relecture. Les contributeurs peuvent recevoir une récompense de 2 à 4 yuans pour mille mots après avoir relu un chapitre. Pour les activités de relecture en cours, veuillez consulter la liste des activités. Pour plus de détails, veuillez contacter Feilong (Q562826179, V : Wizardforcel).

DOCX : Initiative pour le partage ouvert des documents de recherche

Nous répondons activement à l’Open Source Initiative for Research (DOCX). De nos jours, l'open source n'est pas seulement open source, mais inclut également des ensembles de données, des modèles, des didacticiels et des enregistrements expérimentaux. Nous explorons également d’autres catégories de solutions et de protocoles open source.

J'espère que tout le monde comprendra cette initiative, la combinera avec vos propres intérêts et fera quelque chose selon vos capacités. La petite contribution de chacun, une fois rassemblée, est l’ensemble de l’écosystème open source.

Chef de projet

Format : GitHub + QQ

Le premier numéro (2017-09-29)

@Nayi Mo sourit
@moment
@小瑶

Deuxième numéro (2019-06-29)

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

-- Exigences du responsable : (Bienvenue pour contribuer à sklearn 中文版本)

J'adore l'open source et j'aime me montrer
Utilisez sklearn pendant une longue période (au moins 0,5 an) + soumettez des Pull Requests>=3
Capable d'avoir le temps d'optimiser les bugs des pages et les problèmes des utilisateurs en temps opportun
Période d'essai : 2 mois
Bienvenue à contacter : 529815144

Donateur

【0.19.X】Liste des contributeurs

Suggestions et commentaires

Déposez un problème sur notre github apachecn/pytorch-doc-zh.
Envoyez un e-mail à Email : [email protected] .
Contactez simplement le propriétaire/administrateur du groupe dans notre méthode de communication QQ group-Search :.

accord de projet

Récemment, de nombreuses personnes nous ont contactés au sujet de problèmes de licence de contenu !
Open source signifie que les connaissances doivent se concentrer sur la diffusion et l'itération (plutôt que d'interdire à d'autres de les réimprimer)
Sinon, si vous l'ouvrez sur GitHub et dites ensuite que vous n'êtes pas autorisé à le réimprimer, vous devez être malade !
La commercialisation est interdite, respectez les spécifications du protocole, et merci de noter la source de l'adresse Points clés : Pas besoin de nous envoyer un email pour postuler.
Les projets sans accord sous le compte ApacheCN seront considérés comme CC BY-NC-SA 4.0.

Conseils aimables :

Pour ceux qui souhaitent en faire une copie et la mettre à jour eux-mêmes
J'ai aussi vécu cette expérience, mais cette passion n'a pas pu durer quelques mois avant de me décourager !
Non seulement votre travail acharné est gaspillé, mais il est également inutile que davantage de personnes voient les résultats de votre traduction ! c'est dommage! Qu'en penses-tu?
Ma suggestion personnelle est la suivante : fork -> pull request vers https://github.com/apachecn/sklearn-doc-zh
Alors pourquoi choisir ApacheCN ?
Parce que quand on fait de la traduction, on se sent heureux et prétentieux, ce qui est relativement pur !
Si vous l'aimez, vous pouvez participer/même être responsable de ce projet sans aucune restriction quant aux qualifications académiques ou à l'expérience.