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
Next Previous

Copyright © 2020. All rights reserved.

Built with MkDocs using a theme provided by Read the Docs.
« Previous Next »