scikit-learn (sklearn) 0.19 官方文档中文版
首页 白天 夜间 下载 阅读记录
  • 书签 我的书签
  • 添加书签 添加书签 移除书签 移除书签
编辑文档

6.3 真实世界中的数据集

来源 1 浏览 820 扫码 打印 2020-03-01 20:39:27
    • 6.3.3 The Labeled Faces in the Wild face recognition dataset
    • 6.3.7 California Housing dataset
    上一篇:
    下一篇:
    • 书签
    • 添加书签 移除书签
    • 1. 监督学习
      • 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）
      • 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
    • 2. 无监督学习
      • 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. 分解成分中的信号（矩阵分解问题）
      • 2.6. 协方差估计
      • 2.7. 新奇和异常值检测
      • 2.8. 密度估计
      • 2.9. 神经网络模型（无监督）
    • 3. 模型选择和评估
      • 3.1. 交叉验证：评估估算器的表现
      • 3.2. 调整估计器的超参数
      • 3.3. 模型评估: 量化预测的质量
      • 3.4. 模型持久化
      • 3.5. 验证曲线: 绘制分数以评估模型
    • 4. 检验
      • 4.1. 部分依赖图
    • 5. 数据集转换
      • 5.1. Pipeline（管道）和 FeatureUnion（特征联合）: 合并的评估器
      • 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. 预测目标 (y) 的转换
    • 6. 数据集加载工具
      • 6.1. 通用数据集 API
      • 6.2. 玩具数据集
      • 6.3 真实世界中的数据集
      • 6.4. 样本生成器
      • 6.5. 加载其他数据集
    • 7. 使用scikit-learn计算
      • 7.1. 大规模计算的策略: 更大量的数据
      • 7.2. 计算性能
      • 7.3. 并行性、资源管理和配置
    • 教程
      • 使用 scikit-learn 介绍机器学习
      • 关于科学数据处理的统计学习教程
        • 机器学习: 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：选择估计量及其参数
        • 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(estimator.md)
      • 外部资源，视频和谈话
    • 安装 scikit-learn
    • 常见问题
    • 时光轴
    • Introduction
    暂无相关搜索结果！

      本文档使用 全库网 构建

      展开/收起文章目录

      思维导图备注

      文章二维码

      手机扫一扫，轻松掌上读

      文档下载

      请下载您需要的格式的文档，随时随地，享受汲取知识的乐趣！
      PDF文档 EPUB文档 MOBI文档

      书签列表

        阅读记录

        阅读进度: 0.00% ( 0/0 ) 重置阅读进度