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
    • 發行歷史
    • 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
  • 發行歷史
  • 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、堆疊
    • 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：評估估計器的效能
    • 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. 檢查
    • 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. 管道和複合估計器
    • 6.2. 特徵提取
    • 6.3. 預處理資料
    • 6.4. 遺失值插補
    • 6.5. 非監督式降維
    • 6.6. 隨機投影
    • 6.7. 核近似
    • 6.8. 成對度量、親和力和核函數
    • 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、資源管理和配置
  • 9. 模型持久化
  • 10. 常見陷阱和建議做法
  • 11. 分派
    • 11.1. 陣列 API 支援 (實驗性)
  • 12. 選擇正確的估計器
  • 13. 外部資源、影片和演講
  • 使用者指南
  • 11. 分派

11. 分派#

  • 11.1. 陣列 API 支援 (實驗性)
    • 11.1.1. 使用範例
    • 11.1.2. 支援與 Array API 相容的輸入
    • 11.1.3. 常見的估計器檢查

上一頁

10. 常見陷阱和建議做法

下一頁

11.1. 陣列 API 支援 (實驗性)

顯示原始碼

© Copyright 2007 - 2024, scikit-learn 開發人員 (BSD 授權)。