documentação oficial do scikit-learn (sklearn) versão chinesa

logotipo

sklearn 0.21.3 Documentação chinesa

sklearn 0.21.3 exemplo chinês

site oficial do sklearn em inglês

introduzir

sklearn (scikit-learn) é uma ferramenta de aprendizado de máquina baseada na linguagem Python

Ferramentas simples e eficientes de mineração e análise de dados
Pode ser reutilizado por qualquer pessoa em uma variedade de ambientes
Construído em NumPy, SciPy e matplotlib
Código aberto, disponível para uso comercial - licença BSD

Construção da Organização [Site]

Páginas do GitHub (estrangeiras): https://sklearn.apachecn.org
Páginas Gitee (domésticas): https://apachecn.gitee.io/sklearn-doc-zh

Webmaster terceirizado [site]

Endereço A: xxx (Bem-vindo para deixar uma mensagem, vamos melhorá-la)

Outros suplementos

GitHub oficial
Endereço de download do EPUB
Grupo de tradução e revisão ApacheCN em tempo parcial 713436582

download

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

IPIP

 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

Índice

Instale o scikit-learn
Guia do usuário
- 1. Aprendizagem supervisionada
  - 1.1. Modelo linear generalizado
  - 1.2. Análise discriminante linear e quadrática
  - 1.3. Regressão do Kernel Ridge
  - 1.4. Máquina de vetores de suporte
  - 1.5. Descida Gradiente Estocástica
  - 1.6. Vizinho mais próximo
  - 1.7. Processo Gaussiano
  - 1.8. Decomposição cruzada
  - 1.9.
  - 1.10. Árvore de decisão
  - 1.11.
  - 1.12. Algoritmos multiclasse e multirrótulo.
  - 1.13.
  - 1.14. Aprendizagem semissupervisionada
  - 1.15. Regressão de Equação
  - 1.16.
  - 1.17. Modelo de rede neural (supervisionado)
- 2. Aprendizagem não supervisionada
  - 2.1. Modelo de mistura gaussiana
  - 2.2. Aprendizagem múltipla
  - 2.3.
  - 2.4.
  - 2.5. Decomposição de sinais em componentes (problema de fatoração de matrizes)
  - 2.6. Estimativa de covariância
  - 2.7. Detecção de novidades e outliers
  - 2.8. Estimativa de densidade
  - 2.9. Modelo de rede neural (não supervisionado)
- 3. Seleção e avaliação de modelos
  - 3.1 Validação cruzada: avaliando o desempenho do estimador
  - 3.2 Ajustando os hiperparâmetros do estimador
  - 3.3 Avaliação do modelo: quantificando a qualidade das previsões
  - 3.4. Persistência do modelo
  - 3.5 Curva de Validação: Plotar pontuações para avaliar o modelo.
- 4. Inspeção
  - 4.1. Gráfico de dependência parcial
- 5. Conversão de conjunto de dados
  - 5.1 Pipeline e FeatureUnion: avaliadores combinados.
  - 5.2. Extração de recursos
  - 5.3 Pré-processamento de dados
  - 5.4 Imputação de valores faltantes
  - 5.5. Redução de dimensionalidade não supervisionada
  - 5.6. Projeção aleatória
  - 5.7. Aproximação do Kernel
  - 5.8. Pares de matrizes, categorias e funções kernel
  - 5.9. Conversão da meta de previsão ( y )
- 6. Ferramenta de carregamento de conjunto de dados
  - 6.1 API de conjunto de dados comum
  - 6.2. Conjunto de dados de brinquedos
  - 6.3 Conjuntos de dados do mundo real
  - 6.4. Gerador de amostra
  - 6.5. Carregando outros conjuntos de dados
- 7. Calcule usando scikit-learn
  - 7.1 Estratégias para computação em larga escala: maiores quantidades de dados
  - 7.2. Desempenho computacional
  - 7.3. Paralelismo, gerenciamento e configuração de recursos
Tutorial
- Introdução ao aprendizado de máquina usando scikit-learn
- Tutorial de aprendizagem estatística sobre processamento de dados científicos
  - Aprendizado de máquina: configurações e objetos de previsão no scikit-learn
  - Aprendizagem supervisionada: previsão de variáveis de saída a partir de observações de alta dimensão
  - Seleção de modelo: escolha de estimadores e seus parâmetros
  - Aprendizagem não supervisionada: a busca pela representação de dados
  - coloque-os juntos
  - Peça ajuda
- Processar dados de texto
- Escolha o estimador certo (estimator.md)
- Recursos externos, vídeos e palestras
Referência da API
Perguntas frequentes
Eixo do tempo

Versão histórica

scikit-learn (sklearn) 0.19 documento oficial versão chinesa
scikit-learn (sklearn) 0.18 documento oficial versão chinesa

Como compilar e usar versões históricas:

Descompacte a pasta 0.19.x.zip
Copie os recursos de imagem de master/img para 0.19.x
Para o processo normal de compilação do gitbook, você pode usar sh run_website.sh

Guia de contribuição

Para melhorar continuamente a qualidade da tradução, lançámos [atividades de tradução, revisão e tomada de notas] e abrimos vários projetos de revisão. Os colaboradores podem receber uma recompensa de 2 a 4 yuans por mil palavras após a revisão de um capítulo. Para atividades de revisão em andamento, consulte a lista de atividades. Para mais detalhes, entre em contato com Feilong (Q562826179, V: Wizardforcel).

DOCX: Iniciativa para Compartilhamento Aberto de Registros de Pesquisa

Respondemos ativamente à Open Source Initiative for Research (DOCX). Hoje em dia, o código aberto não é apenas código aberto, mas também inclui conjuntos de dados, modelos, tutoriais e registros experimentais. Também estamos explorando outras categorias de soluções e protocolos de código aberto.

Espero que todos compreendam esta iniciativa, combinem-na com os seus próprios interesses e façam algo ao seu alcance. A pequena contribuição de todos, quando reunidos, é todo o ecossistema de código aberto.

Líder do projeto

Formato: GitHub + QQ

A primeira edição (29/09/2017)

@Nayi Mo sorri
@momento
@小瑶

Segunda edição (29/06/2019)

@N!não:1352899627
@mahaoyang:992635910
@loopyme: 3322728009
Feilong: 562826179
Momento: 529815144

- Requisitos do responsável: (Bem-vindo a contribuir com sklearn 中文版本)

Adoro código aberto e gosto de me exibir
Use o sklearn por um longo tempo (pelo menos 0,5 anos) + envie solicitações pull>=3
Capaz de ter tempo para otimizar bugs de página e problemas de usuário em tempo hábil
Período de teste: 2 meses
Bem-vindo ao contato: 529815144

Contribuinte

【0.19.X】Lista de colaboradores

Sugestões e comentários

Registre um problema em nosso github apachecn/pytorch-doc-zh.
Envie um email para Email: [email protected] .
Basta entrar em contato com o proprietário/administrador do grupo em nossa pesquisa de grupo QQ: método de comunicação.

contrato de projeto

Recentemente, muitas pessoas nos contataram sobre questões de licenciamento de conteúdo!
Código aberto significa que o conhecimento deve se concentrar na disseminação e iteração (em vez de proibir outros de reimprimir)
Caso contrário, se você abrir o código-fonte no GitHub e depois disser que não tem permissão para reimprimi-lo, você deve estar doente!
A comercialização é proibida, observe as especificações do protocolo e anote a origem do endereço. Pontos principais: Não há necessidade de nos enviar um e-mail para solicitar.
Projetos sem acordo na conta ApacheCN serão considerados CC BY-NC-SA 4.0.

Dicas gentis:

Para quem deseja fazer uma cópia e atualizá-la sozinho
Eu também tive essa experiência, mas essa paixão não durou alguns meses antes de eu desanimar!
Não apenas o seu trabalho árduo é desperdiçado, mas também é desperdiçado porque mais pessoas verão os resultados da sua tradução! é uma pena! O que você acha?
Minha sugestão pessoal é: fork -> pull requests para https://github.com/apachecn/sklearn-doc-zh
Então, por que escolher ApacheCN ?
Porque quando fazemos tradução nos sentimos felizes e pretensiosos, o que é relativamente puro!
Se gostar, você pode participar/até mesmo ser responsável por este projeto sem quaisquer restrições de formação acadêmica ou formação.