scikit-learn (sklearn) dokumentasi resmi versi Cina

logo

sklearn 0.21.3 dokumentasi bahasa Mandarin

sklearn 0.21.3 contoh bahasa Mandarin

situs web resmi sklearn berbahasa Inggris

memperkenalkan

sklearn (scikit-learn) adalah alat pembelajaran mesin berdasarkan bahasa Python

Alat penambangan data dan analisis data yang sederhana dan efisien
Dapat digunakan kembali oleh semua orang di berbagai lingkungan
Dibangun di atas NumPy, SciPy dan matplotlib
Open source, tersedia untuk penggunaan komersial - lisensi BSD

Pembangunan Organisasi [Situs Web]

Halaman GitHub (asing): https://sklearn.apachecn.org
Halaman Gitee (domestik): https://apachecn.gitee.io/sklearn-doc-zh

Webmaster pihak ketiga [situs web]

Alamat A: xxx (Selamat meninggalkan pesan, kami akan memperbaikinya)

Suplemen lainnya

Github resmi
Alamat pengunduhan EPUB
Grup paruh waktu terjemahan dan proofreading ApacheCN 713436582

unduh

Buruh pelabuhan

 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

Daftar isi

Instal scikit-belajar
Panduan Pengguna
- 1. Pembelajaran yang diawasi
  - 1.1. Model linier umum
  - 1.2. Analisis diskriminan linier dan kuadrat
  - 1.3. Regresi Punggungan Kernel
  - 1.4. Mendukung mesin vektor
  - 1.5. Penurunan Gradien Stokastik
  - 1.6.Tetangga terdekat
  - 1.7. Proses Gaussian
  - 1.8. Dekomposisi silang
  - 1.9
  - 1.10.Pohon keputusan
  - 1.11.Pendekatan terpadu
  - 1.12. Algoritma multikelas dan multilabel
  - 1.13. Pemilihan fitur
  - 1.14. Pembelajaran semi-supervisi
  - 1.15.Regresi Persamaan
  - 1.16. Kalibrasi probabilistik
  - 1.17. Model jaringan saraf (diawasi)
- 2. Pembelajaran tanpa pengawasan
  - 2.1.Model campuran Gaussian
  - 2.2. Pembelajaran yang beragam
  - 2.3. Pengelompokan
  - 2.4
  - 2.5. Menguraikan sinyal menjadi komponen-komponen (masalah faktorisasi matriks)
  - 2.6 Estimasi kovarians
  - 2.7. Deteksi kebaruan dan outlier
  - 2.8. Estimasi kepadatan
  - 2.9. Model jaringan saraf (tanpa pengawasan)
- 3. Pemilihan dan evaluasi model
  - 3.1. Validasi silang: Mengevaluasi kinerja estimator
  - 3.2. Menyesuaikan hyperparameter estimator
  - 3.3.Evaluasi model: mengukur kualitas prediksi
  - 3.4.Mencontohkan ketekunan
  - 3.5. Kurva Validasi: Plot skor untuk mengevaluasi model
- 4. Inspeksi
  - 4.1. Grafik ketergantungan parsial
- 5. Konversi kumpulan data
  - 5.1. Pipeline dan FeatureUnion: evaluator gabungan
  - 5.2. Ekstraksi fitur
  - 5.3 Pemrosesan awal data
  - 5.4 Imputasi nilai hilang
  - 5.5. Pengurangan dimensi tanpa pengawasan
  - 5.6. Proyeksi acak
  - 5.7. Perkiraan Kernel
  - 5.8. Pasangan matriks, kategori dan fungsi kernel
  - 5.9. Konversi target prediksi ( y )
- 6. Alat pemuatan kumpulan data
  - 6.1.API Kumpulan Data Umum
  - 6.2. Kumpulan Data Mainan
  - 6.3 Kumpulan data dunia nyata
  - 6.4
  - 6.5. Memuat kumpulan data lainnya
- 7. Menghitung menggunakan scikit-learn
  - 7.1 Strategi untuk komputasi skala besar: jumlah data yang lebih besar
  - 7.2. Kinerja komputasi
  - 7.3. Paralelisme, pengelolaan dan konfigurasi sumber daya
tutorial
- Pengantar pembelajaran mesin menggunakan scikit-learn
- Tutorial pembelajaran statistika pengolahan data ilmiah
  - Pembelajaran Mesin: Pengaturan dan Objek Prediksi di scikit-learn
  - Pembelajaran yang diawasi: memprediksi variabel keluaran dari observasi berdimensi tinggi
  - Pemilihan model: memilih estimator dan parameternya
  - Pembelajaran tanpa pengawasan: pencarian representasi data
  - satukan mereka
  - Mintalah bantuan
- Memproses data teks
- Pilih estimator yang tepat (estimator.md)
- Sumber daya eksternal, video dan pembicaraan
Referensi API
Pertanyaan Umum
Sumbu waktu

Versi sejarah

scikit-learn (sklearn) 0.19 dokumen resmi versi Cina
scikit-learn (sklearn) 0.18 dokumen resmi versi Cina

Cara mengkompilasi dan menggunakan versi historis:

Buka zip folder 0.19.x.zip
Salin sumber gambar master/img ke 0.19.x
Untuk proses kompilasi normal gitbook, Anda dapat menggunakan sh run_website.sh

Panduan Kontribusi

Untuk terus meningkatkan kualitas terjemahan, kami telah meluncurkan [kegiatan penerjemahan, pengoreksian, dan pencatatan] dan membuka beberapa proyek pengoreksian. Kontributor dapat menerima hadiah 2 hingga 4 yuan per seribu kata setelah mengoreksi satu bab. Untuk kegiatan proofreading yang sedang berlangsung, silakan lihat daftar kegiatan. Untuk lebih jelasnya, silakan hubungi Feilong (Q562826179, V: wizardforcel).

DOCX: Inisiatif untuk Berbagi Catatan Penelitian Secara Terbuka

Kami secara aktif menanggapi Open Source Initiative for Research (DOCX). Saat ini open source tidak hanya sekedar open source, tetapi juga mencakup kumpulan data, model, tutorial, dan catatan eksperimen. Kami juga menjajaki kategori solusi dan protokol open source lainnya.

Saya berharap semua orang memahami inisiatif ini, menggabungkannya dengan kepentingan Anda sendiri, dan melakukan sesuatu sesuai kemampuan Anda. Kontribusi kecil setiap orang, jika dikumpulkan, adalah keseluruhan ekosistem open source.

Pemimpin proyek

Format: GitHub + QQ

Edisi pertama (29-09-2017)

@Nayi Mo tersenyum
@momen
@小瑶

Edisi kedua (29-06-2019)

@N!tidak：1352899627
@mahaoyang：992635910
@loopyme: 3322728009
Feilong: 562826179
Momen: 529815144

-- Persyaratan dari penanggung jawab: (Selamat datang untuk berkontribusi pada sklearn 中文版本)

Suka open source dan suka pamer
Gunakan sklearn untuk waktu yang lama (minimal 0,5 tahun) + kirimkan Permintaan Tarik>=3
Mampu memiliki waktu untuk mengoptimalkan bug halaman dan masalah pengguna secara tepat waktu
Masa percobaan: 2 bulan
Selamat datang untuk menghubungi: 529815144

Penyumbang

【0.19.X】Daftar kontributor

Saran dan masukan

Ajukan masalah di apachecn/pytorch-doc-zh github kami.
Kirim email ke Email: [email protected] .
Cukup hubungi pemilik/administrator grup di Pencarian grup QQ kami: metode komunikasi.

perjanjian proyek

Baru-baru ini, banyak orang menghubungi kami tentang masalah lisensi konten!
Open source berarti bahwa pengetahuan harus fokus pada penyebaran dan iterasi (daripada melarang orang lain mencetak ulang)
Jika tidak, jika Anda membuka sumbernya di GitHub dan kemudian mengatakan Anda tidak diperbolehkan mencetak ulang, Anda pasti sakit!
Komersialisasi dilarang, patuhi spesifikasi protokol, dan harap catat sumber alamatnya. Poin-poin penting: Tidak perlu mengirim email kepada kami untuk melamar.
Proyek tanpa persetujuan berdasarkan akun ApacheCN akan dianggap sebagai CC BY-NC-SA 4.0.

Tip yang baik:

Bagi yang ingin membuat salinan dan memperbaruinya sendiri
Saya juga punya pengalaman ini, tapi gairah ini tidak bisa bertahan selama beberapa bulan sebelum saya menjadi patah semangat!
Bukan hanya kerja keras Anda yang sia-sia, tetapi juga sia-sia jika lebih banyak orang melihat hasil terjemahan Anda! sayang sekali! Bagaimana menurutmu?
Saran pribadi saya adalah: fork -> tarik permintaan ke https://github.com/apachecn/sklearn-doc-zh
Jadi mengapa memilih ApacheCN ?
Karena ketika kita melakukan penerjemahan, kita merasa senang dan sombong, dan itu relatif murni!
Jika Anda menyukainya, Anda dapat berpartisipasi/bahkan bertanggung jawab atas proyek ini tanpa batasan kualifikasi akademik atau latar belakang apa pun.