sklearn中文文档
主页
安装sklearn
快速开始
sklearn教程
教程目录
scikit-learn 中的设置以及预估对象
监督学习-从高维观察预测输出变量
模型选择-选择估计量及其canshu
无监督学习-寻求数据表示
把它们放在一起
寻求帮助
处理文本数据
选择正确的评估器
外部资源,视频和谈话
1.监督学习
1.0-第一章详细目录
1.1-广义线性模型
1.2-线性和二次判别分析
1.3-内核岭回归
1.4-支持向量机
1.5-随机梯度下降
1.6-最近邻
1.7-高斯过程
1.8-交叉分解
1.9-朴素贝叶斯
1.10-决策树
1.11-集成方法
1.12-多类和多标签算法
1.13-特征选择
1.14-半监督学习
1.15-等式回归
1.16-概率校准
1.17-神经网络模型(有监督)
2.无监督学习
2.0-第二章详细目录
2.1-高斯混合模型
2.2-流形学习
2.3-聚类
2.4-双聚类
2.5-矩阵分解
2.6-协方差估计
2.7-新奇点和离群点检测
2.8-密度估计
2.9-神经网络(无监督)
3.模型选择和评估
3.0-第三章详细目录
3.1-交叉验证
3.2-调整估计器的超参数
3.3-模型评估
3.4-模型持久化
3.5-学习与验证曲线
4.检验
4.0-第四章目录
4.1-部分依赖图
5.数据集转换
5.0-第五章详细目录
5.1-Pipeline(管道)和FeatureUnion(特征联合)
5.2-特征提取
5.3-预处理数据
5.4-缺失值插补
5.5-无监督降维
5.6-随机投影
5.7-内核近似
5.8-成对的矩阵、类别和核函数
5.9 标签转换
6.数据集以及数据加载工具
7.并行以及分布式计算
常见问题
时光轴
sklearn中文文档
Docs
»
3.模型选择和评估 »
3.0-第三章详细目录
3. 模型选择和评估
3.1. 交叉验证:评估估算器的表现
3.1.1. 计算交叉验证的指标
3.1.2. 交叉验证迭代器
3.1.3. A note on shuffling
3.1.4. 交叉验证和模型选择
3.2. 调整估计器的超参数
3.2.1. 网格追踪法–穷尽的网格搜索
3.2.2. 随机参数优化
3.2.3. 参数搜索技巧
3.2.4. 暴力参数搜索的替代方案
3.3. 模型评估: 量化预测的质量
3.3.1.
scoring
参数: 定义模型评估规则
3.3.2. 分类指标
3.3.3. 多标签排名指标
3.3.4. 回归指标
3.3.5. 聚类指标
3.3.6. 虚拟估计
3.4. 模型持久化
3.4.1. 持久化示例
3.4.2. 安全性和可维护性的局限性
3.5. 验证曲线: 绘制分数以评估模型
3.5.1. 验证曲线
3.5.2. 学习曲线
« Previous
Next »