機器學習 Python scikit-learn 中文文件（2）教程目錄
與官方文件完美匹配的中文文件，請訪問 https://www.studyai.cn
與官方文件完美匹配的中文文件，請訪問 https://www.studyai.cn
scikit-learn 教程
使用 scikit-learn 介紹機器學習
機器學習：問題設定
載入示例資料集
學習和預測
模型持久化
規定或約定(Conventions)
用於科學資料處理的統計學習教程
統計學習: 問題設定以及 scikit-learn 中的估計器物件(estimator object)
監督學習: 從高維觀測中預測輸出變數
模型選擇: 選擇合適的估計器及其引數
無監督學習: 探索尋找資料的表現方式(representations)
將所有東西放在一起
尋求幫助
Scikit-Learn 處理文字資料
學習教程的配置項
載入 20 newsgroups 資料集
從文字檔案中抽取特徵
訓練一個分類器
構建一個管道流
在測試集上評估效能
使用網格搜尋進行引數調節
練習 1: 語言辨識
練習 2: 電影評論的情感分析
練習 3: CLI 文字分類工具集
進一步的深入學習
選擇合適的估計器
外部資源, 視訊 和 談論
Python科學計算的小白?
外部教程
視訊
相關推薦
機器學習 Python scikit-learn 中文文件（2）教程目錄
與官方文件完美匹配的中文文件，請訪問 https://www.studyai.cn 與官方文件完美匹配的中文文件，請訪問 https://www.studyai.cn scikit-learn 教程 使用 scikit-learn 介紹機器學習 機器學習：問題設定 載入示例資
機器學習 Python scikit-learn 中文文件（3）使用 scikit-learn 介紹機器學習
與官方文件完美匹配的中文文件，請訪問 https://www.studyai.cn 與官方文件完美匹配的中文文件，請訪問 https://www.studyai.cn Logo 首頁 安裝 文件 案例 Fork me on GitHub Previous scikit-learn
機器學習 Python scikit-learn 中文文件 （1）
與官方文件完美匹配的中文文件，請訪問 https://www.studyai.cn 與官方文件完美匹配的中文文件，請訪問 https://www.studyai.cn Logo 首頁 安裝 文件 案例 ‹› scikit-learn 在Python中進行機器學習 簡單且高效的
機器學習 Python scikit-learn 中文文件（7）模型選擇: 選擇合適的估計器及其引數
模型選擇: 選擇合適的估計器及其引數 與官方文件完美匹配的中文文件，請訪問 https://www.studyai.cn Score, 和 cross-validated scores 交叉驗證生成器 網格搜尋與交叉驗證估計器 網格搜尋 自帶交叉驗證的估計器 模型選擇: 選擇
【Scikit-Learn 中文文件】神經網路模型（無監督）- 無監督學習
2.13.1.3. 隨機最大似然學習 在 BernoulliRBM 函式中實現的學習演算法被稱為隨機最大似然（Stochastic Maximum Likelihood (SML)）或持續對比發散（Persistent Contrastive Divergence (PCD)）。由於資料的似然函式的形
機器學習——python scikit-learn SVC類不平衡
make_blobs方法 scikit中的make_blobs方法常被用來生成聚類演算法的測試資料，直觀地說，make_blobs會根據使用者指定的特徵數量、中心點數量、範圍等來生成幾類資料，這些資料可用於測試聚類演算法的效果。 sklearn.datasets.make_blobs(n
機器學習——python scikit-learn 貝葉斯
scikit-learn 中實現了樸素貝葉斯的方法來源於sklearn.naive_bayes模組，在這個模組下，基於的計算方法不同，存在三種實現模組：Gaussian Naive Bayes、Multinomial Naive Bayes、Bernoulli Naive Bayes. 1.
【Scikit-Learn 中文文件】新異類和異常值檢測
2.11. 新異類和異常值檢測 許多應用需要能夠判斷新觀測是否屬於與現有觀測相同的分佈（它是一個非線性的），或者應該被認為是不同的（這是一個異常值）。 通常，這種能力用於清理實際的資料集。 必須做出兩個重要的區別： 新奇檢測: 訓練
【Scikit-Learn 中文文件】分解成分中的訊號（矩陣分解問題）
2.5.1.3. PCA 使用隨機SVD 通過丟棄具有較低奇異值的奇異向量成分，將資料降維到低維空間並保留大部分方差是非常有意義的。 例如，如果我們使用64x64畫素的灰度級影象進行人臉識別，資料的維數為4096， 在這樣大的資料上訓練含RBF核心的支援向量機是很慢的。 此外我們知道資料本
【Scikit-Learn 中文文件】線性和二次判別分析
1.2. 線性和二次判別分析 這些分類器十分具有魅力，因為他們可以很容易計算得到閉式解，其天生的多分類特性，在實踐中已經證明很有效，並且不需要再次調參。 以上這些影象展示了 Linear Discriminant Analysis （線性判別分析）以及 Quadratic Disc
【Scikit-Learn 中文文件】二十四：協方差估計 / 經驗協方差 / 收斂協方差 / 稀疏逆協方差 / Robust 協方差估計
2.8.1. 基本收斂 儘管是協方差矩陣的無偏估計， 最大似然估計不是協方差矩陣的特徵值的一個很好的估計， 所以從反演得到的精度矩陣是不準確的。 有時，甚至出現數學原因，經驗協方差矩陣不能反轉。 為了避免這樣的反演問題，引入了經驗協方差矩陣的一種變換方式：shrinkage 。 在 scikit-le
【Scikit-Learn 中文文件】處理文字資料
載入這20個新聞組的資料集 該資料集名為 “Twenty Newsgroups”. 下面就是這個資料集的介紹, 來源於 網站: 20 個新聞組資料集是一個近 包括了20,000 個新聞組檔案的彙編，（幾乎）平均分成了 20 個不同新聞組. 據我們所知，這最初是由 Ken Lang 收集的 ，很可能是為了
axios 中文文件（轉載）
axios中文文件 轉載來源：https://www.jianshu.com/p/7a9fbcbb1114 原始出處：[email protected] axios 基於promise用於瀏覽器和node.js的http客戶端 特點 支援瀏覽
Xadmin中文文件（二）
Xadmin 快速入門指南 要使用Xadmin，需要安裝Django 1.4並且必須啟用管理站點。 注：由於Xadmin已經停止維護，使用Django2.0 以上版本會存在許多相容性問題 安裝 使用pip: pip install django-xadmin
MongoEngine 中文文件（一）
標籤（空格分隔）： Mongodb 近來用Flask做了一個小小的Demo（目前還在做），用的是MongoDB，ORM採用的是時Flask-MongoEngine，雖然是叫做Flask-MongoEngine，但其實只是對MongoEngine的一種封裝，
Android7.0中文文件（API）--- VideoView
VideoView Displays a video file. The VideoView class can load images from various sources (such as resources or content providers), tak
JHipster中文文件（一）
介紹 技術棧 客戶端技術棧 單頁面應用： Angular4 or AngularJS v1.x Bootstrap HTML5 國際化支援 Sass Spring Websocket 良好的開發流程： 通過Yarn或Bower易於
kafka 1.0 中文文件（三）--Broker的配置
3.1 Broker Configs 基本配置如下： 1. broker.id 2. log.dirs 3. zookeeper.connect 下面將更詳細地討論主題級別的配置和預設設定。 名稱 描述 型別
[知了堂學習筆記]列印生成word文件（jq）
利用瀏覽器對jq外掛的支援進行列印 Html中給一個列印按鈕，id為jqprint 將所要列印的內容放入div中，div的id為print 直接.jqprint()列印—-1和2的區別放入下
RocketMQ中文文件（譯）
前言：近日需要研究一下RocketMQ，為了方便日後查詢，因此對官方英文文件進行翻譯記載，也希望能幫助到要學習的朋友。閱讀後發現，文件還是比較粗略的，大概也只能瞭解些概念和簡單實用。快速入門部分比較簡單，因此暫時沒翻譯只翻譯其中重要的幾個部分，快速入門日後會補上。目前rock