跳至主要內容
Ctrl+K
scikit-learn homepage scikit-learn homepage
  • 安裝
  • 使用者指南
  • API
  • 範例
  • 社群
    • 入門
    • 發布歷史
    • 詞彙表
    • 開發
    • 常見問題
    • 支援
    • 相關專案
    • 路線圖
    • 治理
    • 關於我們
  • GitHub
  • 安裝
  • 使用者指南
  • API
  • 範例
  • 社群
  • 入門
  • 發布歷史
  • 詞彙表
  • 開發
  • 常見問題
  • 支援
  • 相關專案
  • 路線圖
  • 治理
  • 關於我們
  • GitHub

章節導覽

  • 1. 監督式學習
    • 1.1. 線性模型
    • 1.2. 線性和二次判別分析
    • 1.3. 核嶺迴歸
    • 1.4. 支持向量機
    • 1.5. 隨機梯度下降
    • 1.6. 最近鄰
    • 1.7. 高斯過程
    • 1.8. 交叉分解
    • 1.9. 樸素貝葉斯
    • 1.10. 決策樹
    • 1.11. 集成方法：梯度提升、隨機森林、裝袋法、投票法、堆疊法
    • 1.12. 多類別和多輸出演算法
    • 1.13. 特徵選擇
    • 1.14. 半監督式學習
    • 1.15. 等張迴歸
    • 1.16. 概率校準
    • 1.17. 神經網路模型（監督式）
  • 2. 非監督式學習
    • 2.1. 高斯混合模型
    • 2.2. 流形學習
    • 2.3. 分群
    • 2.4. 雙聚類
    • 2.5. 將訊號分解為成分（矩陣分解問題）
    • 2.6. 共變異數估計
    • 2.7. 新奇和離群值檢測
    • 2.8. 密度估計
    • 2.9. 神經網路模型（非監督式）
  • 3. 模型選擇與評估
    • 3.1. 交叉驗證：評估估計器效能
    • 3.2. 調整估計器的超參數
    • 3.3. 調整類別預測的決策閾值
    • 3.4. 指標和評分：量化預測的品質
    • 3.5. 驗證曲線：繪製分數以評估模型
  • 4. 檢視
    • 4.1. 部分依賴圖和個別條件期望圖
    • 4.2. 排列特徵重要性
  • 5. 可視化
  • 6. 資料集轉換
    • 6.1. 管線和複合估計器
    • 6.2. 特徵提取
    • 6.3. 預處理資料
    • 6.4. 填補遺失值
    • 6.5. 非監督式降維
    • 6.6. 隨機投影
    • 6.7. 核近似
    • 6.8. 成對指標、親和力和核心
    • 6.9. 轉換預測目標（y）
  • 7. 資料集載入工具
    • 7.1. 玩具資料集
    • 7.2. 真實世界資料集
    • 7.3. 生成的資料集
    • 7.4. 載入其他資料集
  • 8. 使用 scikit-learn 進行計算
    • 8.1. 擴展計算規模的策略：更大的資料
    • 8.2. 計算效能
    • 8.3. 平行處理、資源管理和設定
  • 9. 模型持久化
  • 10. 常見的陷阱和建議的做法
  • 11. 調度
    • 11.1. 陣列 API 支援（實驗性）
  • 12. 選擇合適的估計器
  • 13. 外部資源、影片和演講
  • 使用者指南
  • 8. 使用 scikit-learn 進行計算

8. 使用 scikit-learn 進行計算#

  • 8.1. 擴展計算規模的策略：更大的資料
    • 8.1.1. 使用核心外學習以實例擴展
  • 8.2. 計算效能
    • 8.2.1. 預測延遲
    • 8.2.2. 預測吞吐量
    • 8.2.3. 提示與技巧
  • 8.3. 平行處理、資源管理和設定
    • 8.3.1. 平行處理
    • 8.3.2. 設定開關

上一頁

7.4. 載入其他資料集

下一頁

8.1. 擴展計算規模的策略：更大的資料

顯示原始碼

© 版權所有 2007 - 2024，scikit-learn 開發人員 (BSD 授權)。