Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
OpenDocCN
sklearn-doc-zh
提交
4c19f9cf
S
sklearn-doc-zh
项目概览
OpenDocCN
/
sklearn-doc-zh
通知
3
Star
3
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
S
sklearn-doc-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
前往新版Gitcode，体验更适合开发者的 AI 搜索 >>
提交
4c19f9cf
编写于
4月 01, 2020
作者:
片刻小哥哥
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
修改 master 编译的信息
上级
1199f11e
变更
6
隐藏空白更改
内联
并排
Showing
6 changed file
with
245 addition
and
236 deletion
+245
-236
CONTRIBUTING.md
CONTRIBUTING.md
+71
-77
README.md
README.md
+101
-87
SUMMARY.md
SUMMARY.md
+71
-71
ads.txt
ads.txt
+1
-0
img/logo/scikit-learn-logo.png
img/logo/scikit-learn-logo.png
+0
-0
run_website.sh
run_website.sh
+1
-1
未找到文件。
CONTRIBUTING.md
浏览文件 @
4c19f9cf
...
...
@@ -7,87 +7,81 @@
+
[
英文官网
](
https://scikit-learn.org
)
+
[
中文翻译
](
https://sklearn.apachecn.org
)
负责人：
*
[
@loopyme
](
https://github.com/loopyme
)
：3322728009
*
[
飞龙
](
https://github.com/wizardforcel
)
：562826179
*
[
片刻
](
https://github.com/jiangzhonglian
)
：529815144
## 章节列表
*
[
安装 scikit-learn
](
docs/
0.21.3
/62.md
)
*
[
安装 scikit-learn
](
docs/
master
/62.md
)
*
用户指南
*
[
1. 监督学习
](
docs/
0.21.3
/1.md
)
*
[
1.1. 广义线性模型
](
docs/
0.21.3
/2.md
)
*
[
1.2. 线性和二次判别分析
](
docs/
0.21.3
/3.md
)
*
[
1.3. 内核岭回归
](
docs/
0.21.3
/4.md
)
*
[
1.4. 支持向量机
](
docs/
0.21.3
/5.md
)
*
[
1.5. 随机梯度下降
](
docs/
0.21.3
/6.md
)
*
[
1.6. 最近邻
](
docs/
0.21.3
/7.md
)
*
[
1.7. 高斯过程
](
docs/
0.21.3
/8.md
)
*
[
1.8. 交叉分解
](
docs/
0.21.3
/9.md
)
*
[
1.9. 朴素贝叶斯
](
docs/
0.21.3
/10.md
)
*
[
1.10. 决策树
](
docs/
0.21.3
/11.md
)
*
[
1.11. 集成方法
](
docs/
0.21.3
/12.md
)
*
[
1.12. 多类和多标签算法
](
docs/
0.21.3
/13.md
)
*
[
1.13. 特征选择
](
docs/
0.21.3
/14.md
)
*
[
1.14. 半监督学习
](
docs/
0.21.3
/15.md
)
*
[
1.15. 等式回归
](
docs/
0.21.3
/16.md
)
*
[
1.16. 概率校准
](
docs/
0.21.3
/17.md
)
*
[
1.17. 神经网络模型（有监督）
](
docs/
0.21.3
/18.md
)
*
[
2. 无监督学习
](
docs/
0.21.3
/19.md
)
*
[
2.1. 高斯混合模型
](
docs/
0.21.3
/20.md
)
*
[
2.2. 流形学习
](
docs/
0.21.3
/21.md
)
*
[
2.3. 聚类
](
docs/
0.21.3
/22.md
)
*
[
2.4. 双聚类
](
docs/
0.21.3
/23.md
)
*
[
2.5. 分解成分中的信号（矩阵分解问题）
](
docs/
0.21.3
/24.md
)
*
[
2.6. 协方差估计
](
docs/
0.21.3
/25.md
)
*
[
2.7. 新奇和异常值检测
](
docs/
0.21.3
/26.md
)
*
[
2.8. 密度估计
](
docs/
0.21.3
/27.md
)
*
[
2.9. 神经网络模型（无监督）
](
docs/
0.21.3
/28.md
)
*
[
3. 模型选择和评估
](
docs/
0.21.3
/29.md
)
*
[
3.1. 交叉验证：评估估算器的表现
](
docs/
0.21.3
/30.md
)
*
[
3.2. 调整估计器的超参数
](
docs/
0.21.3
/31.md
)
*
[
3.3. 模型评估: 量化预测的质量
](
docs/
0.21.3
/32.md
)
*
[
3.4. 模型持久化
](
docs/
0.21.3
/33.md
)
*
[
3.5. 验证曲线: 绘制分数以评估模型
](
docs/
0.21.3
/34.md
)
*
[
4. 检验
](
docs/
0.21.3
/35.md
)
*
[
4.1. 部分依赖图
](
docs/
0.21.3
/36.md
)
*
[
5. 数据集转换
](
docs/
0.21.3
/37.md
)
*
[
5.1. Pipeline（管道）和 FeatureUnion（特征联合）: 合并的评估器
](
docs/
0.21.3
/38.md
)
*
[
5.2. 特征提取
](
docs/
0.21.3
/39.md
)
*
[
5.3 预处理数据
](
docs/
0.21.3
/40.md
)
*
[
5.4 缺失值插补
](
docs/
0.21.3
/41.md
)
*
[
5.5. 无监督降维
](
docs/
0.21.3
/42.md
)
*
[
5.6. 随机投影
](
docs/
0.21.3
/43.md
)
*
[
5.7. 内核近似
](
docs/
0.21.3
/44.md
)
*
[
5.8. 成对的矩阵, 类别和核函数
](
docs/
0.21.3
/45.md
)
*
[
5.9. 预测目标 (`y`) 的转换
](
docs/
0.21.3
/46.md
)
*
[
6. 数据集加载工具
](
docs/
0.21.3
/47.md
)
*
[
6.1. 通用数据集 API
](
docs/
0.21.3
/47.md
)
*
[
6.2. 玩具数据集
](
docs/
0.21.3
/47.md
)
*
[
6.3 真实世界中的数据集
](
docs/
0.21.3
/47.md
)
*
[
6.4. 样本生成器
](
docs/
0.21.3
/47.md
)
*
[
6.5. 加载其他数据集
](
docs/
0.21.3
/47.md
)
*
[
7. 使用scikit-learn计算
](
docs/
0.21.3
/48.md
)
*
[
7.1. 大规模计算的策略: 更大量的数据
](
docs/
0.21.3
/48.md
)
*
[
7.2. 计算性能
](
docs/
0.21.3
/48.md
)
*
[
7.3. 并行性、资源管理和配置
](
docs/
0.21.3
/48.md
)
*
[
教程
](
docs/
0.21.3
/50.md
)
*
[
使用 scikit-learn 介绍机器学习
](
docs/
0.21.3
/51.md
)
*
[
关于科学数据处理的统计学习教程
](
docs/
0.21.3
/52.md
)
*
[
机器学习: scikit-learn 中的设置以及预估对象
](
docs/
0.21.3
/53.md
)
*
[
监督学习：从高维观察预测输出变量
](
docs/
0.21.3
/54.md
)
*
[
模型选择：选择估计量及其参数
](
docs/
0.21.3
/55.md
)
*
[
无监督学习: 寻求数据表示
](
docs/
0.21.3
/56.md
)
*
[
把它们放在一起
](
docs/
0.21.3
/57.md
)
*
[
寻求帮助
](
docs/
0.21.3
/58.md
)
*
[
处理文本数据
](
docs/
0.21.3
/59.md
)
*
[
选择正确的评估器(estimator.md)
](
docs/
0.21.3
/60.md
)
*
[
外部资源，视频和谈话
](
docs/
0.21.3
/61.md
)
*
[
1. 监督学习
](
docs/
master
/1.md
)
*
[
1.1. 广义线性模型
](
docs/
master
/2.md
)
*
[
1.2. 线性和二次判别分析
](
docs/
master
/3.md
)
*
[
1.3. 内核岭回归
](
docs/
master
/4.md
)
*
[
1.4. 支持向量机
](
docs/
master
/5.md
)
*
[
1.5. 随机梯度下降
](
docs/
master
/6.md
)
*
[
1.6. 最近邻
](
docs/
master
/7.md
)
*
[
1.7. 高斯过程
](
docs/
master
/8.md
)
*
[
1.8. 交叉分解
](
docs/
master
/9.md
)
*
[
1.9. 朴素贝叶斯
](
docs/
master
/10.md
)
*
[
1.10. 决策树
](
docs/
master
/11.md
)
*
[
1.11. 集成方法
](
docs/
master
/12.md
)
*
[
1.12. 多类和多标签算法
](
docs/
master
/13.md
)
*
[
1.13. 特征选择
](
docs/
master
/14.md
)
*
[
1.14. 半监督学习
](
docs/
master
/15.md
)
*
[
1.15. 等式回归
](
docs/
master
/16.md
)
*
[
1.16. 概率校准
](
docs/
master
/17.md
)
*
[
1.17. 神经网络模型（有监督）
](
docs/
master
/18.md
)
*
[
2. 无监督学习
](
docs/
master
/19.md
)
*
[
2.1. 高斯混合模型
](
docs/
master
/20.md
)
*
[
2.2. 流形学习
](
docs/
master
/21.md
)
*
[
2.3. 聚类
](
docs/
master
/22.md
)
*
[
2.4. 双聚类
](
docs/
master
/23.md
)
*
[
2.5. 分解成分中的信号（矩阵分解问题）
](
docs/
master
/24.md
)
*
[
2.6. 协方差估计
](
docs/
master
/25.md
)
*
[
2.7. 新奇和异常值检测
](
docs/
master
/26.md
)
*
[
2.8. 密度估计
](
docs/
master
/27.md
)
*
[
2.9. 神经网络模型（无监督）
](
docs/
master
/28.md
)
*
[
3. 模型选择和评估
](
docs/
master
/29.md
)
*
[
3.1. 交叉验证：评估估算器的表现
](
docs/
master
/30.md
)
*
[
3.2. 调整估计器的超参数
](
docs/
master
/31.md
)
*
[
3.3. 模型评估: 量化预测的质量
](
docs/
master
/32.md
)
*
[
3.4. 模型持久化
](
docs/
master
/33.md
)
*
[
3.5. 验证曲线: 绘制分数以评估模型
](
docs/
master
/34.md
)
*
[
4. 检验
](
docs/
master
/35.md
)
*
[
4.1. 部分依赖图
](
docs/
master
/36.md
)
*
[
5. 数据集转换
](
docs/
master
/37.md
)
*
[
5.1. Pipeline（管道）和 FeatureUnion（特征联合）: 合并的评估器
](
docs/
master
/38.md
)
*
[
5.2. 特征提取
](
docs/
master
/39.md
)
*
[
5.3 预处理数据
](
docs/
master
/40.md
)
*
[
5.4 缺失值插补
](
docs/
master
/41.md
)
*
[
5.5. 无监督降维
](
docs/
master
/42.md
)
*
[
5.6. 随机投影
](
docs/
master
/43.md
)
*
[
5.7. 内核近似
](
docs/
master
/44.md
)
*
[
5.8. 成对的矩阵, 类别和核函数
](
docs/
master
/45.md
)
*
[
5.9. 预测目标 (`y`) 的转换
](
docs/
master
/46.md
)
*
[
6. 数据集加载工具
](
docs/
master
/47.md
)
*
[
6.1. 通用数据集 API
](
docs/
master
/47.md
)
*
[
6.2. 玩具数据集
](
docs/
master
/47.md
)
*
[
6.3 真实世界中的数据集
](
docs/
master
/47.md
)
*
[
6.4. 样本生成器
](
docs/
master
/47.md
)
*
[
6.5. 加载其他数据集
](
docs/
master
/47.md
)
*
[
7. 使用scikit-learn计算
](
docs/
master
/48.md
)
*
[
7.1. 大规模计算的策略: 更大量的数据
](
docs/
master
/48.md
)
*
[
7.2. 计算性能
](
docs/
master
/48.md
)
*
[
7.3. 并行性、资源管理和配置
](
docs/
master
/48.md
)
*
[
教程
](
docs/
master
/50.md
)
*
[
使用 scikit-learn 介绍机器学习
](
docs/
master
/51.md
)
*
[
关于科学数据处理的统计学习教程
](
docs/
master
/52.md
)
*
[
机器学习: scikit-learn 中的设置以及预估对象
](
docs/
master
/53.md
)
*
[
监督学习：从高维观察预测输出变量
](
docs/
master
/54.md
)
*
[
模型选择：选择估计量及其参数
](
docs/
master
/55.md
)
*
[
无监督学习: 寻求数据表示
](
docs/
master
/56.md
)
*
[
把它们放在一起
](
docs/
master
/57.md
)
*
[
寻求帮助
](
docs/
master
/58.md
)
*
[
处理文本数据
](
docs/
master
/59.md
)
*
[
选择正确的评估器(estimator.md)
](
docs/
master
/60.md
)
*
[
外部资源，视频和谈话
](
docs/
master
/61.md
)
*
[
API 参考
](
https://scikit-learn.org/stable/modules/classes.html
)
*
[
常见问题
](
docs/
0.21.3
/63.md
)
*
[
时光轴
](
docs/
0.21.3
/64.md
)
*
[
常见问题
](
docs/
master
/63.md
)
*
[
时光轴
](
docs/
master
/64.md
)
## 流程
...
...
README.md
浏览文件 @
4c19f9cf
#
scikit-learn (sklearn) 官方文档中文版
#
<center>scikit-learn (sklearn) 官方文档中文版</center>
<center>
scikit-learn 是基于 Python 语言的机器学习工具
</center>
scikit-learn (sklearn) 是基于 Python 语言的机器学习工具
1.
简单高效的数据挖掘和数据分析工具
2.
可供大家在各种环境中重复使用
...
...
@@ -12,12 +12,8 @@
<br/>
<table>
<tr
align=
"center"
>
<td><a
title=
"sklearn 0.21.3 中文翻译"
href=
"https://sklearn.apachecn.org/docs/0.21.3"
target=
"_blank"
><font
size=
"5"
>
sklearn 0.21.3 中文翻译
</font></a></td>
</tr>
<tr
align=
"center"
>
<td><a
title=
"sklearn 0.19.x 中文翻译"
href=
"https://sklearn.apachecn.org/docs/0.19.x"
target=
"_blank"
><font
size=
"5"
>
sklearn 0.19.x 中文翻译
</font></a></td>
</tr>
<tr
align=
"center"
>
<td><a
title=
"sklearn 0.21.3[master] 中文文档"
href=
"https://sklearn.apachecn.org/docs/master"
target=
"_blank"
><font
size=
"5"
>
sklearn 0.21.3 中文文档
</font></a></td>
<td><a
title=
"sklearn 0.21.3[master] 中文案例"
href=
"https://sklearn.apachecn.org/docs/examples"
target=
"_blank"
><font
size=
"5"
>
sklearn 0.21.3 中文翻译
</font></a></td>
<td><a
title=
"sklearn 英文官网"
href=
"https://scikit-learn.org"
target=
"_blank"
><font
size=
"5"
>
sklearn 英文官网
</font></a></td>
</tr>
</table>
...
...
@@ -31,85 +27,91 @@
## 目录
*
[
安装 scikit-learn
](
docs/
0.21.3
/62.md
)
*
[
安装 scikit-learn
](
docs/
master
/62.md
)
*
用户指南
*
[
1. 监督学习
](
docs/
0.21.3
/1.md
)
*
[
1.1. 广义线性模型
](
docs/
0.21.3
/2.md
)
*
[
1.2. 线性和二次判别分析
](
docs/
0.21.3
/3.md
)
*
[
1.3. 内核岭回归
](
docs/
0.21.3
/4.md
)
*
[
1.4. 支持向量机
](
docs/
0.21.3
/5.md
)
*
[
1.5. 随机梯度下降
](
docs/
0.21.3
/6.md
)
*
[
1.6. 最近邻
](
docs/
0.21.3
/7.md
)
*
[
1.7. 高斯过程
](
docs/
0.21.3
/8.md
)
*
[
1.8. 交叉分解
](
docs/
0.21.3
/9.md
)
*
[
1.9. 朴素贝叶斯
](
docs/
0.21.3
/10.md
)
*
[
1.10. 决策树
](
docs/
0.21.3
/11.md
)
*
[
1.11. 集成方法
](
docs/
0.21.3
/12.md
)
*
[
1.12. 多类和多标签算法
](
docs/
0.21.3
/13.md
)
*
[
1.13. 特征选择
](
docs/
0.21.3
/14.md
)
*
[
1.14. 半监督学习
](
docs/
0.21.3
/15.md
)
*
[
1.15. 等式回归
](
docs/
0.21.3
/16.md
)
*
[
1.16. 概率校准
](
docs/
0.21.3
/17.md
)
*
[
1.17. 神经网络模型（有监督）
](
docs/
0.21.3
/18.md
)
*
[
2. 无监督学习
](
docs/
0.21.3
/19.md
)
*
[
2.1. 高斯混合模型
](
docs/
0.21.3
/20.md
)
*
[
2.2. 流形学习
](
docs/
0.21.3
/21.md
)
*
[
2.3. 聚类
](
docs/
0.21.3
/22.md
)
*
[
2.4. 双聚类
](
docs/
0.21.3
/23.md
)
*
[
2.5. 分解成分中的信号（矩阵分解问题）
](
docs/
0.21.3
/24.md
)
*
[
2.6. 协方差估计
](
docs/
0.21.3
/25.md
)
*
[
2.7. 新奇和异常值检测
](
docs/
0.21.3
/26.md
)
*
[
2.8. 密度估计
](
docs/
0.21.3
/27.md
)
*
[
2.9. 神经网络模型（无监督）
](
docs/
0.21.3
/28.md
)
*
[
3. 模型选择和评估
](
docs/
0.21.3
/29.md
)
*
[
3.1. 交叉验证：评估估算器的表现
](
docs/
0.21.3
/30.md
)
*
[
3.2. 调整估计器的超参数
](
docs/
0.21.3
/31.md
)
*
[
3.3. 模型评估: 量化预测的质量
](
docs/
0.21.3
/32.md
)
*
[
3.4. 模型持久化
](
docs/
0.21.3
/33.md
)
*
[
3.5. 验证曲线: 绘制分数以评估模型
](
docs/
0.21.3
/34.md
)
*
[
4. 检验
](
docs/
0.21.3
/35.md
)
*
[
4.1. 部分依赖图
](
docs/
0.21.3
/36.md
)
*
[
5. 数据集转换
](
docs/
0.21.3
/37.md
)
*
[
5.1. Pipeline（管道）和 FeatureUnion（特征联合）: 合并的评估器
](
docs/
0.21.3
/38.md
)
*
[
5.2. 特征提取
](
docs/
0.21.3
/39.md
)
*
[
5.3 预处理数据
](
docs/
0.21.3
/40.md
)
*
[
5.4 缺失值插补
](
docs/
0.21.3
/41.md
)
*
[
5.5. 无监督降维
](
docs/
0.21.3
/42.md
)
*
[
5.6. 随机投影
](
docs/
0.21.3
/43.md
)
*
[
5.7. 内核近似
](
docs/
0.21.3
/44.md
)
*
[
5.8. 成对的矩阵, 类别和核函数
](
docs/
0.21.3
/45.md
)
*
[
5.9. 预测目标 (`y`) 的转换
](
docs/
0.21.3
/46.md
)
*
[
6. 数据集加载工具
](
docs/
0.21.3
/47.md
)
*
[
6.1. 通用数据集 API
](
docs/
0.21.3
/47.md
)
*
[
6.2. 玩具数据集
](
docs/
0.21.3
/47.md
)
*
[
6.3 真实世界中的数据集
](
docs/
0.21.3
/47.md
)
*
[
6.4. 样本生成器
](
docs/
0.21.3
/47.md
)
*
[
6.5. 加载其他数据集
](
docs/
0.21.3
/47.md
)
*
[
7. 使用scikit-learn计算
](
docs/
0.21.3
/48.md
)
*
[
7.1. 大规模计算的策略: 更大量的数据
](
docs/
0.21.3
/48.md
)
*
[
7.2. 计算性能
](
docs/
0.21.3
/48.md
)
*
[
7.3. 并行性、资源管理和配置
](
docs/
0.21.3
/48.md
)
*
[
教程
](
docs/
0.21.3
/50.md
)
*
[
使用 scikit-learn 介绍机器学习
](
docs/
0.21.3
/51.md
)
*
[
关于科学数据处理的统计学习教程
](
docs/
0.21.3
/52.md
)
*
[
机器学习: scikit-learn 中的设置以及预估对象
](
docs/
0.21.3
/53.md
)
*
[
监督学习：从高维观察预测输出变量
](
docs/
0.21.3
/54.md
)
*
[
模型选择：选择估计量及其参数
](
docs/
0.21.3
/55.md
)
*
[
无监督学习: 寻求数据表示
](
docs/
0.21.3
/56.md
)
*
[
把它们放在一起
](
docs/
0.21.3
/57.md
)
*
[
寻求帮助
](
docs/
0.21.3
/58.md
)
*
[
处理文本数据
](
docs/
0.21.3
/59.md
)
*
[
选择正确的评估器(estimator.md)
](
docs/
0.21.3
/60.md
)
*
[
外部资源，视频和谈话
](
docs/
0.21.3
/61.md
)
*
[
1. 监督学习
](
docs/
master
/1.md
)
*
[
1.1. 广义线性模型
](
docs/
master
/2.md
)
*
[
1.2. 线性和二次判别分析
](
docs/
master
/3.md
)
*
[
1.3. 内核岭回归
](
docs/
master
/4.md
)
*
[
1.4. 支持向量机
](
docs/
master
/5.md
)
*
[
1.5. 随机梯度下降
](
docs/
master
/6.md
)
*
[
1.6. 最近邻
](
docs/
master
/7.md
)
*
[
1.7. 高斯过程
](
docs/
master
/8.md
)
*
[
1.8. 交叉分解
](
docs/
master
/9.md
)
*
[
1.9. 朴素贝叶斯
](
docs/
master
/10.md
)
*
[
1.10. 决策树
](
docs/
master
/11.md
)
*
[
1.11. 集成方法
](
docs/
master
/12.md
)
*
[
1.12. 多类和多标签算法
](
docs/
master
/13.md
)
*
[
1.13. 特征选择
](
docs/
master
/14.md
)
*
[
1.14. 半监督学习
](
docs/
master
/15.md
)
*
[
1.15. 等式回归
](
docs/
master
/16.md
)
*
[
1.16. 概率校准
](
docs/
master
/17.md
)
*
[
1.17. 神经网络模型（有监督）
](
docs/
master
/18.md
)
*
[
2. 无监督学习
](
docs/
master
/19.md
)
*
[
2.1. 高斯混合模型
](
docs/
master
/20.md
)
*
[
2.2. 流形学习
](
docs/
master
/21.md
)
*
[
2.3. 聚类
](
docs/
master
/22.md
)
*
[
2.4. 双聚类
](
docs/
master
/23.md
)
*
[
2.5. 分解成分中的信号（矩阵分解问题）
](
docs/
master
/24.md
)
*
[
2.6. 协方差估计
](
docs/
master
/25.md
)
*
[
2.7. 新奇和异常值检测
](
docs/
master
/26.md
)
*
[
2.8. 密度估计
](
docs/
master
/27.md
)
*
[
2.9. 神经网络模型（无监督）
](
docs/
master
/28.md
)
*
[
3. 模型选择和评估
](
docs/
master
/29.md
)
*
[
3.1. 交叉验证：评估估算器的表现
](
docs/
master
/30.md
)
*
[
3.2. 调整估计器的超参数
](
docs/
master
/31.md
)
*
[
3.3. 模型评估: 量化预测的质量
](
docs/
master
/32.md
)
*
[
3.4. 模型持久化
](
docs/
master
/33.md
)
*
[
3.5. 验证曲线: 绘制分数以评估模型
](
docs/
master
/34.md
)
*
[
4. 检验
](
docs/
master
/35.md
)
*
[
4.1. 部分依赖图
](
docs/
master
/36.md
)
*
[
5. 数据集转换
](
docs/
master
/37.md
)
*
[
5.1. Pipeline（管道）和 FeatureUnion（特征联合）: 合并的评估器
](
docs/
master
/38.md
)
*
[
5.2. 特征提取
](
docs/
master
/39.md
)
*
[
5.3 预处理数据
](
docs/
master
/40.md
)
*
[
5.4 缺失值插补
](
docs/
master
/41.md
)
*
[
5.5. 无监督降维
](
docs/
master
/42.md
)
*
[
5.6. 随机投影
](
docs/
master
/43.md
)
*
[
5.7. 内核近似
](
docs/
master
/44.md
)
*
[
5.8. 成对的矩阵, 类别和核函数
](
docs/
master
/45.md
)
*
[
5.9. 预测目标 (`y`) 的转换
](
docs/
master
/46.md
)
*
[
6. 数据集加载工具
](
docs/
master
/47.md
)
*
[
6.1. 通用数据集 API
](
docs/
master
/47.md
)
*
[
6.2. 玩具数据集
](
docs/
master
/47.md
)
*
[
6.3 真实世界中的数据集
](
docs/
master
/47.md
)
*
[
6.4. 样本生成器
](
docs/
master
/47.md
)
*
[
6.5. 加载其他数据集
](
docs/
master
/47.md
)
*
[
7. 使用scikit-learn计算
](
docs/
master
/48.md
)
*
[
7.1. 大规模计算的策略: 更大量的数据
](
docs/
master
/48.md
)
*
[
7.2. 计算性能
](
docs/
master
/48.md
)
*
[
7.3. 并行性、资源管理和配置
](
docs/
master
/48.md
)
*
[
教程
](
docs/
master
/50.md
)
*
[
使用 scikit-learn 介绍机器学习
](
docs/
master
/51.md
)
*
[
关于科学数据处理的统计学习教程
](
docs/
master
/52.md
)
*
[
机器学习: scikit-learn 中的设置以及预估对象
](
docs/
master
/53.md
)
*
[
监督学习：从高维观察预测输出变量
](
docs/
master
/54.md
)
*
[
模型选择：选择估计量及其参数
](
docs/
master
/55.md
)
*
[
无监督学习: 寻求数据表示
](
docs/
master
/56.md
)
*
[
把它们放在一起
](
docs/
master
/57.md
)
*
[
寻求帮助
](
docs/
master
/58.md
)
*
[
处理文本数据
](
docs/
master
/59.md
)
*
[
选择正确的评估器(estimator.md)
](
docs/
master
/60.md
)
*
[
外部资源，视频和谈话
](
docs/
master
/61.md
)
*
[
API 参考
](
https://scikit-learn.org/stable/modules/classes.html
)
*
[
常见问题
](
docs/
0.21.3
/63.md
)
*
[
时光轴
](
docs/
0.21.3
/64.md
)
*
[
常见问题
](
docs/
master
/63.md
)
*
[
时光轴
](
docs/
master
/64.md
)
## 历史版本
*
[
scikit-learn (sklearn) 0.19 官方文档中文版
](
https://github.com/apachecn/s
cikit-learn-doc-zh/tree/0.19.x
)
*
[
scikit-learn (sklearn) 0.19 官方文档中文版
](
https://github.com/apachecn/s
klearn-doc-zh/tree/master/docs/0.19.x.zip
)
*
[
scikit-learn (sklearn) 0.18 官方文档中文版
](
http://cwiki.apachecn.org/pages/viewpage.action?pageId=10030181
)
如何编译使用历史版本:
*
解压
`0.19.x.zip`
文件夹
*
将
`master/img`
的图片资源, 复制到
`0.19.x`
里面去
*
gitbook 正常编译过程，可以使用
`sh run_website.sh`
## 贡献指南
项目当前处于校对阶段，请查看
[
贡献指南
](
CONTRIBUTING.md
)
，并在
[
整体进度
](
https://github.com/apachecn/sklearn-doc-zh/issues/352
)
中领取任务。
...
...
@@ -146,18 +148,30 @@
[
【0.19.X】贡献者名单
](
https://github.com/apachecn/sklearn-doc-zh/issues/354
)
## **项目协议**
以各项目协议为准。
ApacheCN 账号下没有协议的项目，一律视为
[
CC BY-NC-SA 4.0
](
https://creativecommons.org/licenses/by-nc-sa/4.0/deed.zh
)
。
## 建议反馈
*
在我们的
[
apachecn/pytorch-doc-zh
](
https://github.com/apachecn/sklearn-doc-zh
)
github 上提 issue.
*
发邮件到 Email:
`apachecn@163.com`
.
*
在我们的
[
QQ群-搜索: 交流方式
](
https://github.com/apachecn/home
)
中联系群主/管理员即可.
## **项目协议**
*
**最近有很多人联系我们，关于内容授权问题！**
*
开源是指知识应该重在传播和迭代（而不是禁止别人转载）
*
不然你TM在GitHub开源，然后又说不让转载，你TM有病吧！
*
禁止商业化，符合协议规范，备注地址来源，
**重点: 不需要**
发邮件给我们申请
*
ApacheCN 账号下没有协议的项目，一律视为
[
CC BY-NC-SA 4.0
](
https://creativecommons.org/licenses/by-nc-sa/4.0/deed.zh
)
。
温馨提示:
*
对于个人想自己copy一份再更新的人
*
我也是有这样的经历，但是这种激情维持不了几个月，就泄气了！
*
不仅浪费了你的心血，还浪费了更多人看到你的翻译成果！很可惜！你觉得呢？
*
个人的建议是: fork -> pull requests 到
`https://github.com/apachecn/sklearn-doc-zh`
*
那为什么要选择
`ApacheCN`
呢？
*
因为我们做翻译这事情是觉得开心和装逼，比较纯粹！
*
你如果喜欢，你可以来参与/甚至负责这个项目，没人任何学历和背景的限制
## 赞助我们
<img
src=
"http://data.apachecn.org/img/about/donate.jpg"
alt=
"微信&支付宝"
/>
SUMMARY.md
浏览文件 @
4c19f9cf
*
[
安装 scikit-learn
](
docs/
0.21.3
/62.md
)
*
[
安装 scikit-learn
](
docs/
master
/62.md
)
*
用户指南
*
[
1. 监督学习
](
docs/
0.21.3
/1.md
)
*
[
1.1. 广义线性模型
](
docs/
0.21.3
/2.md
)
*
[
1.2. 线性和二次判别分析
](
docs/
0.21.3
/3.md
)
*
[
1.3. 内核岭回归
](
docs/
0.21.3
/4.md
)
*
[
1.4. 支持向量机
](
docs/
0.21.3
/5.md
)
*
[
1.5. 随机梯度下降
](
docs/
0.21.3
/6.md
)
*
[
1.6. 最近邻
](
docs/
0.21.3
/7.md
)
*
[
1.7. 高斯过程
](
docs/
0.21.3
/8.md
)
*
[
1.8. 交叉分解
](
docs/
0.21.3
/9.md
)
*
[
1.9. 朴素贝叶斯
](
docs/
0.21.3
/10.md
)
*
[
1.10. 决策树
](
docs/
0.21.3
/11.md
)
*
[
1.11. 集成方法
](
docs/
0.21.3
/12.md
)
*
[
1.12. 多类和多标签算法
](
docs/
0.21.3
/13.md
)
*
[
1.13. 特征选择
](
docs/
0.21.3
/14.md
)
*
[
1.14. 半监督学习
](
docs/
0.21.3
/15.md
)
*
[
1.15. 等式回归
](
docs/
0.21.3
/16.md
)
*
[
1.16. 概率校准
](
docs/
0.21.3
/17.md
)
*
[
1.17. 神经网络模型（有监督）
](
docs/
0.21.3
/18.md
)
*
[
2. 无监督学习
](
docs/
0.21.3
/19.md
)
*
[
2.1. 高斯混合模型
](
docs/
0.21.3
/20.md
)
*
[
2.2. 流形学习
](
docs/
0.21.3
/21.md
)
*
[
2.3. 聚类
](
docs/
0.21.3
/22.md
)
*
[
2.4. 双聚类
](
docs/
0.21.3
/23.md
)
*
[
2.5. 分解成分中的信号（矩阵分解问题）
](
docs/
0.21.3
/24.md
)
*
[
2.6. 协方差估计
](
docs/
0.21.3
/25.md
)
*
[
2.7. 新奇和异常值检测
](
docs/
0.21.3
/26.md
)
*
[
2.8. 密度估计
](
docs/
0.21.3
/27.md
)
*
[
2.9. 神经网络模型（无监督）
](
docs/
0.21.3
/28.md
)
*
[
3. 模型选择和评估
](
docs/
0.21.3
/29.md
)
*
[
3.1. 交叉验证：评估估算器的表现
](
docs/
0.21.3
/30.md
)
*
[
3.2. 调整估计器的超参数
](
docs/
0.21.3
/31.md
)
*
[
3.3. 模型评估: 量化预测的质量
](
docs/
0.21.3
/32.md
)
*
[
3.4. 模型持久化
](
docs/
0.21.3
/33.md
)
*
[
3.5. 验证曲线: 绘制分数以评估模型
](
docs/
0.21.3
/34.md
)
*
[
4. 检验
](
docs/
0.21.3
/35.md
)
*
[
4.1. 部分依赖图
](
docs/
0.21.3
/36.md
)
*
[
5. 数据集转换
](
docs/
0.21.3
/37.md
)
*
[
5.1. Pipeline（管道）和 FeatureUnion（特征联合）: 合并的评估器
](
docs/
0.21.3
/38.md
)
*
[
5.2. 特征提取
](
docs/
0.21.3
/39.md
)
*
[
5.3 预处理数据
](
docs/
0.21.3
/40.md
)
*
[
5.4 缺失值插补
](
docs/
0.21.3
/41.md
)
*
[
5.5. 无监督降维
](
docs/
0.21.3
/42.md
)
*
[
5.6. 随机投影
](
docs/
0.21.3
/43.md
)
*
[
5.7. 内核近似
](
docs/
0.21.3
/44.md
)
*
[
5.8. 成对的矩阵, 类别和核函数
](
docs/
0.21.3
/45.md
)
*
[
5.9. 预测目标 (`y`) 的转换
](
docs/
0.21.3
/46.md
)
*
[
6. 数据集加载工具
](
docs/
0.21.3
/47.md
)
*
[
6.1. 通用数据集 API
](
docs/
0.21.3
/47.md
)
*
[
6.2. 玩具数据集
](
docs/
0.21.3
/47.md
)
*
[
6.3 真实世界中的数据集
](
docs/
0.21.3
/47.md
)
*
[
6.4. 样本生成器
](
docs/
0.21.3
/47.md
)
*
[
6.5. 加载其他数据集
](
docs/
0.21.3
/47.md
)
*
[
7. 使用scikit-learn计算
](
docs/
0.21.3
/48.md
)
*
[
7.1. 大规模计算的策略: 更大量的数据
](
docs/
0.21.3
/48.md
)
*
[
7.2. 计算性能
](
docs/
0.21.3
/48.md
)
*
[
7.3. 并行性、资源管理和配置
](
docs/
0.21.3
/48.md
)
*
[
教程
](
docs/
0.21.3
/50.md
)
*
[
使用 scikit-learn 介绍机器学习
](
docs/
0.21.3
/51.md
)
*
[
关于科学数据处理的统计学习教程
](
docs/
0.21.3
/52.md
)
*
[
机器学习: scikit-learn 中的设置以及预估对象
](
docs/
0.21.3
/53.md
)
*
[
监督学习：从高维观察预测输出变量
](
docs/
0.21.3
/54.md
)
*
[
模型选择：选择估计量及其参数
](
docs/
0.21.3
/55.md
)
*
[
无监督学习: 寻求数据表示
](
docs/
0.21.3
/56.md
)
*
[
把它们放在一起
](
docs/
0.21.3
/57.md
)
*
[
寻求帮助
](
docs/
0.21.3
/58.md
)
*
[
处理文本数据
](
docs/
0.21.3
/59.md
)
*
[
选择正确的评估器(estimator.md)
](
docs/
0.21.3
/60.md
)
*
[
外部资源，视频和谈话
](
docs/
0.21.3
/61.md
)
*
[
1. 监督学习
](
docs/
master
/1.md
)
*
[
1.1. 广义线性模型
](
docs/
master
/2.md
)
*
[
1.2. 线性和二次判别分析
](
docs/
master
/3.md
)
*
[
1.3. 内核岭回归
](
docs/
master
/4.md
)
*
[
1.4. 支持向量机
](
docs/
master
/5.md
)
*
[
1.5. 随机梯度下降
](
docs/
master
/6.md
)
*
[
1.6. 最近邻
](
docs/
master
/7.md
)
*
[
1.7. 高斯过程
](
docs/
master
/8.md
)
*
[
1.8. 交叉分解
](
docs/
master
/9.md
)
*
[
1.9. 朴素贝叶斯
](
docs/
master
/10.md
)
*
[
1.10. 决策树
](
docs/
master
/11.md
)
*
[
1.11. 集成方法
](
docs/
master
/12.md
)
*
[
1.12. 多类和多标签算法
](
docs/
master
/13.md
)
*
[
1.13. 特征选择
](
docs/
master
/14.md
)
*
[
1.14. 半监督学习
](
docs/
master
/15.md
)
*
[
1.15. 等式回归
](
docs/
master
/16.md
)
*
[
1.16. 概率校准
](
docs/
master
/17.md
)
*
[
1.17. 神经网络模型（有监督）
](
docs/
master
/18.md
)
*
[
2. 无监督学习
](
docs/
master
/19.md
)
*
[
2.1. 高斯混合模型
](
docs/
master
/20.md
)
*
[
2.2. 流形学习
](
docs/
master
/21.md
)
*
[
2.3. 聚类
](
docs/
master
/22.md
)
*
[
2.4. 双聚类
](
docs/
master
/23.md
)
*
[
2.5. 分解成分中的信号（矩阵分解问题）
](
docs/
master
/24.md
)
*
[
2.6. 协方差估计
](
docs/
master
/25.md
)
*
[
2.7. 新奇和异常值检测
](
docs/
master
/26.md
)
*
[
2.8. 密度估计
](
docs/
master
/27.md
)
*
[
2.9. 神经网络模型（无监督）
](
docs/
master
/28.md
)
*
[
3. 模型选择和评估
](
docs/
master
/29.md
)
*
[
3.1. 交叉验证：评估估算器的表现
](
docs/
master
/30.md
)
*
[
3.2. 调整估计器的超参数
](
docs/
master
/31.md
)
*
[
3.3. 模型评估: 量化预测的质量
](
docs/
master
/32.md
)
*
[
3.4. 模型持久化
](
docs/
master
/33.md
)
*
[
3.5. 验证曲线: 绘制分数以评估模型
](
docs/
master
/34.md
)
*
[
4. 检验
](
docs/
master
/35.md
)
*
[
4.1. 部分依赖图
](
docs/
master
/36.md
)
*
[
5. 数据集转换
](
docs/
master
/37.md
)
*
[
5.1. Pipeline（管道）和 FeatureUnion（特征联合）: 合并的评估器
](
docs/
master
/38.md
)
*
[
5.2. 特征提取
](
docs/
master
/39.md
)
*
[
5.3 预处理数据
](
docs/
master
/40.md
)
*
[
5.4 缺失值插补
](
docs/
master
/41.md
)
*
[
5.5. 无监督降维
](
docs/
master
/42.md
)
*
[
5.6. 随机投影
](
docs/
master
/43.md
)
*
[
5.7. 内核近似
](
docs/
master
/44.md
)
*
[
5.8. 成对的矩阵, 类别和核函数
](
docs/
master
/45.md
)
*
[
5.9. 预测目标 (`y`) 的转换
](
docs/
master
/46.md
)
*
[
6. 数据集加载工具
](
docs/
master
/47.md
)
*
[
6.1. 通用数据集 API
](
docs/
master
/47.md
)
*
[
6.2. 玩具数据集
](
docs/
master
/47.md
)
*
[
6.3 真实世界中的数据集
](
docs/
master
/47.md
)
*
[
6.4. 样本生成器
](
docs/
master
/47.md
)
*
[
6.5. 加载其他数据集
](
docs/
master
/47.md
)
*
[
7. 使用scikit-learn计算
](
docs/
master
/48.md
)
*
[
7.1. 大规模计算的策略: 更大量的数据
](
docs/
master
/48.md
)
*
[
7.2. 计算性能
](
docs/
master
/48.md
)
*
[
7.3. 并行性、资源管理和配置
](
docs/
master
/48.md
)
*
[
教程
](
docs/
master
/50.md
)
*
[
使用 scikit-learn 介绍机器学习
](
docs/
master
/51.md
)
*
[
关于科学数据处理的统计学习教程
](
docs/
master
/52.md
)
*
[
机器学习: scikit-learn 中的设置以及预估对象
](
docs/
master
/53.md
)
*
[
监督学习：从高维观察预测输出变量
](
docs/
master
/54.md
)
*
[
模型选择：选择估计量及其参数
](
docs/
master
/55.md
)
*
[
无监督学习: 寻求数据表示
](
docs/
master
/56.md
)
*
[
把它们放在一起
](
docs/
master
/57.md
)
*
[
寻求帮助
](
docs/
master
/58.md
)
*
[
处理文本数据
](
docs/
master
/59.md
)
*
[
选择正确的评估器(estimator.md)
](
docs/
master
/60.md
)
*
[
外部资源，视频和谈话
](
docs/
master
/61.md
)
*
[
API 参考
](
https://scikit-learn.org/stable/modules/classes.html
)
*
[
常见问题
](
docs/
0.21.3
/63.md
)
*
[
时光轴
](
docs/
0.21.3
/64.md
)
*
[
常见问题
](
docs/
master
/63.md
)
*
[
时光轴
](
docs/
master
/64.md
)
ads.txt
0 → 100644
浏览文件 @
4c19f9cf
google.com, pub-3565452474788507, DIRECT, f08c47fec0942fa0
\ No newline at end of file
docs/img
/scikit-learn-logo.png
→
img/logo
/scikit-learn-logo.png
浏览文件 @
4c19f9cf
文件已移动
run_website.sh
浏览文件 @
4c19f9cf
...
...
@@ -2,7 +2,7 @@
loginfo
()
{
echo
"[INFO]
$@
"
;
}
logerror
()
{
echo
"[ERROR]
$@
"
1>&2
;
}
versions
=
"
0.21.3 0.19.x
"
versions
=
"
examples
"
python3 src/init_gitbook.py versions
python3 src/script.py
"home"
"book"
rm
-rf
node_modules/gitbook-plugin-tbfed-pagefooter
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑！
取消
想要评论请
注册
或
登录
