跳至主要内容
返回顶部
Ctrl
+
K
安装
用户指南
API
示例
社区
更多
入门
发布历史
术语表
开发
常见问题解答
支持
相关项目
路线图
治理
关于我们
GitHub
安装
用户指南
API
示例
社区
入门
发布历史
术语表
开发
常见问题解答
支持
相关项目
路线图
治理
关于我们
GitHub
章节导航
1. 监督学习
1.1. 线性模型
1.2. 线性和二次判别分析
1.3. 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:梯度提升、随机森林、装袋、投票、堆叠
1.12. 多类和多输出算法
1.13. 特征选择
1.14. 半监督学习
1.15. 等距回归
1.16. 概率校准
1.17. 神经网络模型(监督)
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. 将信号分解为成分(矩阵分解问题)
2.6. 协方差估计
2.7. 新颖性和异常值检测
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:评估估计器性能
3.2. 调整估计器的超参数
3.3. 调整类预测的决策阈值
3.4. 指标和评分:量化预测的质量
3.5. 验证曲线:绘制分数以评估模型
4. 检查
4.1. 部分依赖和个体条件期望图
4.2. 置换特征重要性
5. 可视化
6. 数据集转换
6.1. 管道和组合估计器
6.2. 特征提取
6.3. 预处理数据
6.4. 缺失值的插补
6.5. 无监督降维
6.6. 随机投影
6.7. 核近似
6.8. 成对指标、亲和力和核
6.9. 转换预测目标 (
y
)
7. 数据集加载工具
7.1. 玩具数据集
7.2. 真实世界数据集
7.3. 生成的数据集
7.4. 加载其他数据集
8. 使用 scikit-learn 进行计算
8.1. 扩展计算的策略:更大数据
8.2. 计算性能
8.3. 并行、资源管理和配置
9. 模型持久化
10. 常见陷阱和推荐实践
11. 调度
11.1. 数组 API 支持(实验性)
12. 选择合适的估计器
13. 外部资源、视频和演讲
用户指南
11.
调度
#
11.1. 数组 API 支持(实验性)
11.1.1. 示例用法
11.1.2. 支持
Array
API
兼容输入
11.1.3. 常见估计器检查
显示源代码