scikit-learn (sklearn) 官方文檔中文版

介紹

sklearn (scikit-learn) 是基於 Python 語言的機器學習工具

1. 簡單高效的數據挖掘和數據分析工具
2. 可供大家在各種環境中重復使用
3. 建立在 NumPy ，SciPy 和 matplotlib 上
4. 開源，可商業使用 - BSD許可證

目錄

• 安裝 scikit-learn
• 用戶指南
  • 1. 監督學習
    • 1.1. 廣義線性模型
    • 1.2. 線性和二次判別分析
    • 1.3. 內核嶺回歸
    • 1.4. 支持向量機
    • 1.5. 隨機梯度下降
    • 1.6. 最近鄰
    • 1.7. 高斯過程
    • 1.8. 交叉分解
    • 1.9. 朴素貝葉斯
    • 1.10. 決策樹
    • 1.11. 集成方法
    • 1.12. 多類和多標簽算法
    • 1.13. 特征選擇
    • 1.14. 半監督學習
    • 1.15. 等式回歸
    • 1.16. 概率校准
    • 1.17. 神經網絡模型（有監督）
  • 2. 無監督學習
    • 2.1. 高斯混合模型
    • 2.2. 流形學習
    • 2.3. 聚類
    • 2.4. 雙聚類
    • 2.5. 分解成分中的信號（矩陣分解問題）
    • 2.6. 協方差估計
    • 2.7. 新奇和異常值檢測
    • 2.8. 密度估計
    • 2.9. 神經網絡模型（無監督）
  • 3. 模型選擇和評估
    • 3.1. 交叉驗證：評估估算器的表現
    • 3.2. 調整估計器的超參數
    • 3.3. 模型評估: 量化預測的質量
    • 3.4. 模型持久化
    • 3.5. 驗證曲線: 繪制分數以評估模型
  • 4. 檢驗
    • 4.1. 部分依賴圖
  • 5. 數據集轉換
    • 5.1. Pipeline（管道）和 FeatureUnion（特征聯合）: 合並的評估器
    • 5.2. 特征提取
    • 5.3 預處理數據
    • 5.4 缺失值插補
    • 5.5. 無監督降維
    • 5.6. 隨機投影
    • 5.7. 內核近似
    • 5.8. 成對的矩陣, 類別和核函數
    • 5.9. 預測目標 (y) 的轉換
  • 6. 數據集加載工具
    • 6.1. 通用數據集 API
    • 6.2. 玩具數據集
    • 6.3 真實世界中的數據集
    • 6.4. 樣本生成器
    • 6.5. 加載其他數據集
  • 7. 使用scikit-learn計算
    • 7.1. 大規模計算的策略: 更大量的數據
    • 7.2. 計算性能
    • 7.3. 並行性、資源管理和配置
• 教程
  • 使用 scikit-learn 介紹機器學習
  • 關於科學數據處理的統計學習教程
    • 機器學習: scikit-learn 中的設置以及預估對象
    • 監督學習：從高維觀察預測輸出變量
    • 模型選擇：選擇估計量及其參數
    • 無監督學習: 尋求數據表示
    • 把它們放在一起
    • 尋求幫助
  • 處理文本數據
  • 選擇正確的評估器(estimator.md)
  • 外部資源，視頻和談話
• API 參考
• 常見問題
• 時光軸