[PYTHON] [Übersetzung] scikit-learn 0.18 Benutzerhandbuch Inhaltsverzeichnis

google übersetzte http://scikit-learn.org/0.18/user_guide.html Klicken Sie hier für das Tutorial

Benutzerhandbuch

1. Betreutes Lernen

1.1 Verallgemeinertes lineares Modell : us: untranslated

1. Minimum-Quadrat-Methode
2. Die Komplexität der Methode der kleinsten Quadrate
3. Ridge Return
4. Ridge Komplexität
5. Einstellung der Normalisierungsparameter: Verallgemeinerte gegenseitige Überprüfung
6. Minimaler absoluter Kontraktions- und Auswahloperator --Lasso
7. Einstellung der Regularisierungsparameter
8. Verwendung der gegenseitigen Überprüfung
9. Informationsbasierte Modellauswahl
10. Multitasking-Lasso
11. Elastic Net
12. Multitasking Elastic Net
13. Minimale Winkelregression - LARS
14. LARS Lasso
15. Mathematische Vorschrift
16. Streben nach orthogonalem Matching (OMP)
17. Basianische Rückkehr
18. Bage Anridge Return
19. Automatische Validierung --ARD
20. Logistische Rückgabe
21. Probabilistischer Gradientenabstieg-SGD
22. Perceptron
23. Passiver aggressiver Algorithmus
24. Robustheitsregression: Ausreißer und Modellierungsfehler
25. Verschiedene Szenarien und nützliche Konzepte 2. RANSAC：RANdom SAmple Consensus
26. Details des Algorithmus
27. Theil-Sen Estimator: Generalisierungsmedienbasierter Schätzer
28. Theoretische Überlegung
29. Hoover Rückkehr
30. Hinweise
31. Polygonale Regression: Erweiterung des linearen Modells mit Basisfunktion

1.2 Lineare und quadratische Diskriminierungsanalyse nicht übersetzt

1. Dimensionsreduktion mittels linearer Diskriminanzanalyse
2. Mathematische Formulierung von LDA- und QDA-Klassifikatoren
3. Mathematische Formulierung der LDA-Dimensionsreduktion
4. Schrumpfung
5. Schätzalgorithmus

1.3. Kernel Ridge Return : us: Untranslated

1.4. Support Vector Machine: jp:

1. Klassifizierung
2. Klassifizierung mehrerer Klassen
3. Punktzahl und Wahrscheinlichkeit
4. Unausgeglichenes Problem
5. Zurück
6. Dichteschätzung, Neuheitserkennung
7. Komplex
8. Praktische Tipps
9. Kernelfunktion
10. Benutzerdefinierter Kernel
11. Verwenden Sie Python-Funktionen als Kernel
12. Verwendung einer Gramm-Matrix
13. RBF-Kernelparameter
14. Mathematische Vorschrift
    1. SVC
    2. NuSVC
    3. SVR
15. Implementierungsdetails

1.5 Probabilistischer Gradientenabstieg : us: untranslated

1. Klassifizierung
2. Zurück
3. Probabilistischer Gradientenabstieg spärlicher Daten
4. Komplex
5. Praktische Tipps
6. Mathematische Vorschrift
   1. SGD
7. Implementierungsdetails

1.6 Nächste Methode : us: untranslated

1. Methode des nächsten Nachbarn ohne Lehrer
2. Finden Sie den nächsten Nachbarn
3. KDTree-Klasse und BallTree-Klasse
4. Nächste Klassifizierung
5. Nächste Regression
6. Algorithmus für die Methode des nächsten Nachbarn
7. Brute Force
8. K-D-Baum
9. Kugelbaum
10. Auswahl des Algorithmus für den nächsten Nachbarn
11. Wirkung von leaf_size
12. Nächster Schwerpunktklassifikator
13. Nächster Shrinken-Schwerpunkt
14. Ungefähre Nachbarschaft in der Nähe
15. Community sensibler Hashing-Wald
16. Mathematische Beschreibung des lokalen Sensitivitäts-Hash

1.7. Gaußscher Prozess : us: untranslated

1. Gaußsche Prozessregression (GPR)
2. GPR-Beispiel
3. GPR mit Geräuschpegelschätzung
4. Vergleich der GPR- und Kernel-Ridge-Regression
5. GPR der Mauna Loa CO2-Daten
6. Gaußsche Prozessklassifikation (GPC)
7. GPC-Beispiel
8. Probabilistische Vorhersage durch GPC
9. Diagramm der GPC im XOR-Datensatz
10. Gaußsche Prozessklassifikation (GPC) im Iris-Datensatz
11. Gaußscher Prozesskern
12. Gaußsche Prozesskernel-API
13. Grundlegender Kernel
14. Kernel-Operator
15. Kernel der Radial Base Function (RBF)
16. Matteran-Kernel
17. Angemessener sekundärer Kernel
18. Exp-Sine-Squared-Kernel
19. Dot Produktkernel
20. Referenzen
21. Legacy-Gauß-Prozess
22. Beispiel für eine Einführungsregression
23. Anpassen von verrauschten Daten
24. Mathematische Vorschrift
25. Erste Annahme
26. Beste lineare unverzerrte Vorhersage (BLUP)
27. Empirisch bester linearer Bias-Prädiktor (EBLUP)
28. Korrelationsmodell
29. Regressionsmodell
30. Implementierungsdetails

1.8. Kreuzzerlegung : us: untranslated

1.9. Naive Bayes : us: Untranslated

1. Gauss Naive Bayes
2. Polygon Naive Bayes
3. Bernouy Naive Bayes
4. Modellanpassung für naive Buchten außerhalb des Kerns

1.10. Entscheidungsbaum : us: untranslated

1. Klassifizierung
2. Zurück
3. Problem mit mehreren Ausgängen
4. Komplex
5. Praktische Tipps
6. Baumalgorithmus: ID3, C4.5, C5.0 und CART
7. Mathematische Vorschrift
8. Klassifizierungskriterien
9. Regressionskriterien

1.11. Ensemble-Methode: jp:

1. Bagging Meta Estimator
2. Randomisierter Baumwald
3. Zufälliger Wald
4. Hoch randomisierter Baum
5. Parameter
6. Parallelisierung
7. Bewertung der funktionalen Bedeutung
8. Vollständig zufällige Baumeinbettung
9. AdaBoost
10. Verwendung
11. Gradient Tree Boost
12. Klassifizierung
13. Zurück
14. Passen Sie zusätzliche schwache Lernende an
15. Baumgrößenkontrolle
16. Mathematische Vorschrift
17. Verlustfunktion
18. Normalisierung
19. Schrumpfung
20. Unterabtastung
21. Interpretation
22. Bedeutung der Funktion
23. Teilweise abhängig
24. VotingClassifier
25. Die meisten Klassenbezeichnungen (Mehrheit / sorgfältige Auswahl)
26. Verwendung
27. Gewichtete Durchschnittswahrscheinlichkeit (Soft Voting)
28. Verwenden Sie den Abstimmungsklassifizierer mit der Rastersuche
29. Verwendung

1.12. Mehrklassenalgorithmus und Mehrfachbeschriftungsalgorithmus: jp:

1. Klassifizierungsformat für mehrere Etiketten
2. Eine Pause
3. Lernen in mehreren Klassen
4. Multi-Label-Lernen
5. 1 zu 1
6. Lernen in mehreren Klassen
7. Fehlerkorrektur-Ausgabecode
8. Lernen in mehreren Klassen
9. Regression mit mehreren Ausgaben
10. Klassifizierung mehrerer Ausgänge

1.13. Funktionsauswahl: jp:

1. Löschen Sie Features mit geringer Streuung
2. Auswahl der univariaten Funktion
3. Entfernen rekursiver Features
4. Funktionsauswahl mit SelectFromModel
5. L1-basierte Funktionsauswahl
6. Randomisiertes Sparse-Modell
7. Baumbasierte Funktionsauswahl
8. Auswahl der Funktionen als Teil der Pipeline

1.14 Semi-Teacher : us: untranslated

1. Etikettenausbreitung

1.15. Isotonische Rückkehr: jp:

1.16. Wahrscheinlichkeitskalibrierung: jp:

1.17. Neuronales Netzwerkmodell (mit Lehrer) : us: untranslated

1. Mehrschichtiges Perceptron
2. Klassifizierung
3. Zurück
4. Normalisierung
5. Algorithmus
6. Komplex
7. Mathematische Vorschrift
8. Praktische Tipps
9. Mehr Kontrolle mit warm_start

2. Unbeaufsichtigtes Lernen

2.1. Gaußsches gemischtes Modell : us: untranslated

1. Gauß gemischt
2. Vor- und Nachteile der Gaußschen Mischung
3. Vorteile
4. Nachteile 2 Auswahl der Anzahl der Komponenten im klassischen Gaußschen Mischmodell
5. Schätzalgorithmus maximiert den erwarteten Wert
6. Variante Bayes Gauss gemischt
7. Schätzalgorithmus: Varianteninferenz
8. Vor- und Nachteile der Transformationsinferenz mit der Bayes'schen Gaußschen Mischung
9. Vorteile
10. Nachteile
11. Diricre-Prozess

2.2 Vielfältiges Lernen : us: untranslated

1. Einleitung
2. Isomap
3. Komplex
4. Lokal lineare Einbettung
5. Komplex
6. Lokal modifizierte lineare Einbettung
7. Komplex
8. Einzigartige Abbildung der Hessen-Matrix
9. Komplex
10. Spektrale Einbettung
11. Komplex
12. Lokale Tangentenraumausrichtung
13. Komplex
14. Mehrdimensionale Skalierung (MDS)
15. Metrisches MDB
16. Nicht metrisches MDB
17. t-verteilte probabilistische Nachbarschaftseinbettung (t-SNE)
18. t-SNE-Optimierung
19. Verbrennt hat t-SNE
20. Praktische Tipps

2.3. Clustering : us: Untranslated

1. Übersicht über die Clustering-Methode
2. K Durchschnitt
3. Mini-Batch-K-Mittel
4. Affinitätsausbreitung
5. Durchschnittliche Schicht
6. Spektrum-Clustering
7. Unterschied in der Etikettenzuweisungsmethode
8. Hierarchisches Clustering
9. Verschiedene Verknüpfungstypen: Ward, vollständige durchschnittliche Verknüpfung
10. Fügen Sie eine Verbindungsbeschränkung hinzu
11. Ändern Sie die Metrik
12. Dichtebasiertes räumliches Clustering (DBSCAN)
13. Hierarchisch ausgewogene iterative Reduktion und Clusterbildung (BIRCH)
14. Bewertung der Clusterleistung
15. Angepasster Landindex
16. Vorteile
17. Nachteile
18. Mathematische Vorschrift
19. Gegenseitige informationsbasierte Bewertung
20. Vorteile
21. Nachteile
22. Mathematische Vorschrift
23. Homogenität, Vollständigkeit und V-Skala
24. Vorteile
25. Nachteile
26. Mathematische Vorschrift
27. Fowlkes-Mallows-Punktzahl
28. Vorteile
29. Nachteile
30. Silhouette-Koeffizient
31. Vorteile
32. Nachteile
33. Karinsky Harabaz Index
34. Vorteile
35. Nachteile

2.4. Biclustering : us: untranslated

1. Spektrale Co-Clustering
2. Mathematische Vorschrift
3. Spektrum durch Clustering
4. Mathematische Vorschrift
5. Bi-Clustering-Bewertung

2.5. Zerlegen Sie das Signal in der Komponente (Matrixzerlegungsproblem): jp:

1. Hauptkomponentenanalyse (PCA)
2. Genaue PCA und probabilistische Interpretation
3. Inkrementelle PCA
4. PCA mit randomisierter SVD
5. Kernel PCA
6. Sparse-Hauptkomponentenanalyse (SparsePCA und MiniBatchSparsePCA)
7. Zerlegung der Kürzungssingularität und Analyse der latenten Bedeutung
8. Wörterbuch lernen
9. Sparsame Codierung mit einem vorberechneten Wörterbuch
10. Allgemeines Wörterbuchlernen
11. Mini-Batch-Wörterbuch lernen
12. Faktoranalyse
13. Unabhängige Komponentenanalyse (ICA)
14. Nicht negative Matrixzersetzung (NMF oder NNMF)
15. Potenzielle Richtungszuweisung (LDA)

2.6. Kovarianzschätzung : us: untranslated

1. Empirische Co-Dispersion
2. Reduktion der Co-Verteilung
3. Grundkontraktion
4. Ledoit-Wolf-Schrumpf
5. Oracle ungefähre Kontraktion
6. Sparse inverse Co-Dispersion
7. Robuste Kovarianzschätzung
8. Minimale Kovarianzmatrixformel

2.7. Erkennung von Neuheiten und Ausreißern: jp:

1. Erkennung von Neuheiten
2. Ausreißererkennung
3. Installieren Sie den ovalen Umschlag
4. Isolationswald 3.1 Klasse SVM vs Elliptical Envelope vs Isolation Forest

2.8. Dichteschätzung: jp:

1. Dichteschätzung: Histogramm
2. Schätzung der Kerneldichte

2.9. Neuronales Netzwerkmodell (ohne Lehrer) : us: untranslated

1. Begrenzte Boltzmann-Maschine
2. Grafisches Modell und Parametrierung
3. Bernoulli Limited Boltsman Machine
4. Probabilistisches wahrscheinlichstes Lernen

3. Modellauswahl und -bewertung

3.1. Kreuzvalidierung: Bewertung der Schätzerleistung: jp:

1. Berechnung kreuzvalidierter Metriken
2. Erhalten von Prognosen durch Kreuzvalidierung
3. Cross Verification Iterator
4. i. D. Kreuzvalidierungs-Iteratordaten
5. K mal 2. Leave One Out（LOO） 3. Leave P Out（LPO）
6. Zufällige gegenseitige Überprüfung des Ersatzes a.k.a. Shuffle & Split
7. Iterator für gegenseitige Validierung mit Hierarchie basierend auf der Klassenbezeichnung
8. K-mal geschichtet
9. Layered Shuffle Split
10. Iterator für gegenseitige Validierung für gruppierte Daten
11. Gruppe k mal
12. Verlassen Sie eine Gruppe
13. Verlassen Sie die P-Gruppe
14. Gruppen-Shuffle-Split
15. Vordefinierte Fold-Splits / Validierungs-Sets
16. Gegenseitige Überprüfung von Zeitreihendaten
17. Zeitreiheneinteilung
18. Vorsichtsmaßnahmen mischen
19. Gegenseitige Überprüfung und Modellauswahl

3.2. Estimator Hyper Parameter Tuning: jp:

1. Schließen Sie die Rastersuche ab
2. Randomisierte Parameteroptimierung
3. Tipps zur Parametersuche
4. Festlegen objektiver Metriken
5. Zusammengesetzte Schätzungen und Parameterraum
6. Modellauswahl: Entwicklung und Bewertung
7. Parallel
8. Robustheit gegenüber Behinderungen
9. Alternative zur Brute-Force-Parametersuche
10. Modellspezifische gegenseitige Validierung
11. Informationsstandard
12. Andere Schätzer

3.3. Modellbewertung: Quantifizieren Sie die Qualität der Vorhersage: jp:

1. Bewertungsparameter: Definition der Modellbewertungsregel
2. Allgemeiner Fall: vordefinierter Wert
3. Definieren Sie eine Bewertungsstrategie aus einer Metrikfunktion
4. Implementierung Ihres eigenen Scoring-Objekts
5. Klassifizierungsmetrik
6. Von binär zu Multi-Class und Multi-Label
7. Genauigkeitsbewertung
8. Cohens Kappa
9. Verwirrungsmatrix
10. Klassifizierungsbericht
11. Summenverlust
12. Jacquard-Ähnlichkeitskoeffizientenbewertung
13. Präzision, Rückruf, F-Maßnahmen
14. Binäre Klassifizierung
15. Klassifizierung von Mehrfachklassen und Mehrfachetiketten
16. Scharnierverlust
17. Protokollverlust
18. Matthews-Korrelationskoeffizient
19. Betriebseigenschaften des Empfängers (ROC)
20. Null Verlust
21. Verlust der Verschnaufpause
22. Multi-Label-Ranking-Metrik
23. Abdeckungsfehler
24. Durchschnittliche Genauigkeit des Etikettenrangs
25. Rangverlust
26. Regressionsmetrik
27. Beschriebener Varianzwert
28. Durchschnittlicher absoluter Fehler
29. Durchschnittlicher quadratischer Fehler
30. Zentraler absoluter Fehler
31. R²-Punktzahl, Entscheidungsfaktor
32. Clustering-Metrik
33. Dummy-Schätzer

3.4. Modellpersistenz: flag_jp:

1. Persistenzbeispiel
2. Sicherheits- und Wartbarkeitsgrenzen

3.5. Überprüfungskurve: Zeichnen Sie die Punktzahl auf, um das Modell zu bewerten: jp:

1. Überprüfungskurve
2. Lernkurve

4. Datensatzkonvertierung

4.1. Pipeline- und Feature-Union: Schätzerkombination: jp:

1. Pipeline: Kettenschätzer
2. Verwendung
3. Hinweis
4. FeatureUnion: Zusammengesetzter Feature-Space
5. Verwendung

4.2. Merkmalsextraktion: jp:

1. Laden von Funktionen aus Diktaten
2. Feature-Hash
3. Implementierungsdetails
4. Extraktion von Textfunktionen
5. Wortnotation
6. Seltenheit
7. Verwendung des allgemeinen Vektorisierers
8. Gewichtung des Tf-idf-Terms
9. Dekodieren von Textdateien
10. Anwendungen und Beispiele
11. Einschränkungen des Ausdrucks in Bag of Words
12. Vektorisieren Sie einen großen Textkorpus mit Hash-Tricks
13. Führen Sie mit HashingVectorizer eine Out-of-Core-Skalierung durch
14. Benutzerdefinierte Vektorisierungsklasse
15. Extraktion von Bildmerkmalen
16. Patch-Extraktion
17. Bildkonnektivitätsdiagramm

4.3. Datenvorverarbeitung: jp:

1. Standardisierung, durchschnittliche Entfernung und Dispersionsskalierung
2. Skalieren Sie die Funktionen auf den Bereich
3. Sparsame Datenskalierung
4. Skalierung von Daten mit Ausreißern
5. Kernelmatrix zentrieren
6. Normalisierung
7. Binarisierung
8. Feature-Binärisierung
9. Codieren Sie die Funktion der Kategorie
10. Vervollständigung fehlender Werte
11. Generieren Sie polymorphe Merkmale
12. Kundenspezifischer Transformator

4.4. Dimensionsreduzierung ohne Lehrer: jp:

1. PCA: Hauptkomponentenanalyse
2. Zufällige Projektion
3. Merkmalsagglomeration

4.5. Zufällige Projektion: jp:

1. Johnson-Lindenstrauss-Nachtrag
2. Gaußsche Zufallsprojektion
3. Sparse zufällige Projektion

4.6. Kernel-Approximation : us: untranslated

1. Nystroem-Methode zur Kernel-Approximation
2. Kernel der radialen Basisfunktion
3. Additive Chi Squared Kernel
4. Schräger Chi-Quadrat-Kernel
5. Details der Mathematik

4.7. Paarweise Metriken, Ähnlichkeiten und Kernel

1. Kosinusähnlichkeit
2. Linearer Kernel
3. Polygonaler Kernel
4. Sigmaid-Kernel
5. RBF-Kernel
6. Laplace-Kernel
7. Chi-Quadrat-Kernel

4.8. Transformieren des Vorhersageziels (y): jp:

1. Binarisierung von Etiketten
2. Etikettencodierung

5. Dienstprogramm zum Lesen von Datensätzen : us: untranslated

1. Allgemeine Datensatz-API
2. Spielzeugdatensatz
3. Beispielbild
4. Probengenerator
5. Generator zur Klassifizierung und Clusterbildung
6. Einzeletikett
7. Multi-Label 3. Biclustering
8. Regressionsgenerator
9. Generator für vielfältiges Lernen
10. Generator zerlegen
11. Datensatz im Format svmlight / libsvm
12. Laden aus einem externen Datensatz
13. Olivetti steht vor dem Datensatz
14. 20 Newsgroup-Textdatensätze
15. Verwendung
16. Konvertieren Sie Text in Vektor
17. Textfilterung für ein realistischeres Training
18. Laden Sie den Datensatz aus dem Repository von mldata.org herunter
19. Beschriftete Gesichter im Datensatz zur Erkennung wilder Gesichter
20. Verwendung
21. Beispiel
22. Abholzung
23. RCV1-Datensatz
24. Boston Home Price Dataset
25. Hinweis
26. Datenbank für Brustkrebs in Wisconsin (Diagnose)
27. Hinweis
28. Referenzen
29. Diabetes-Datensatz
30. Hinweis
31. Optische Erkennung handschriftlicher numerischer Daten
32. Hinweis
33. Referenzen
34. Iris-Pflanzendatenbank
35. Hinweis
36. Referenzen
37. Linnerrud-Datensatz
38. Hinweis
39. Referenzen

6. Computational Expansion Strategy: Größere Daten : us: untranslated

1. Skalieren von Instanzen mithilfe von Out-of-Core-Lernen
2. Streaming-Instanz
3. Merkmalsextraktion
4. Inkrementelles Lernen
5. Beispiel
6. Hinweise

7. Rechenleistung : us: untranslated

1. Voraussichtliche Latenz
2. Bulk vs. Atomic Mode
3. Auswirkung der Anzahl der Funktionen
4. Auswirkung der Darstellung der Eingabedaten
5. Auswirkungen der Modellkomplexität
6. Latenz der Merkmalsextraktion
7. Voraussichtlicher Durchsatz
8. Tipps und Techniken
9. Lineare Algebra-Bibliothek
10. Modellkomprimierung
11. Ändern Sie die Form des Modells
12. Verknüpfen

Klicken Sie hier für das Tutorial

© 2010 - 2016, Entwickler von Scikit-Learn (BSD-Lizenz).