Google-Übersetzung von http://scikit-learn.org/0.18/tutorial/machine_learning_map/index.html Inhaltsverzeichnis des Lernprogramms / Vorheriges Lernprogramm

Auswahl des richtigen Schätzers

Oft ist es am schwierigsten, ein Problem des maschinellen Lernens zu lösen, den richtigen Schätzer für den Job zu finden. Verschiedene Schätzer eignen sich für verschiedene Arten von Daten und Problemen. Das folgende Flussdiagramm soll dem Benutzer eine grobe Anleitung geben, mit welchem Schätzer er die Daten testen kann. Klicken Sie auf das Zitat in der Abbildung unten, um das Dokument anzuzeigen. Sie können nicht klicken

Scikit-Learn-Algorithmus Spickzettel

Start

Gibt es mehr als 50 Proben? --NO → Lass uns mehr Daten sammeln
yes ↓
Möchten Sie die Kategorie schätzen? --Ja → Haben Sie Lehrerdaten beschriftet?
Ja → Klassifizierung --Nein → Clustering
- No ――Wollen Sie den Betrag vorhersagen? ja → zurück -Nur sehen? ja → Maßreduzierung ――Wollen Sie die Struktur vorhersagen? ――Es ist nicht beigefügt ...

Einstufung

Ist die Stichprobe weniger als 100.000?
Yes
- LinearSVC
Es funktioniert nicht
Ist es Textdaten? --yes → Naive Bayes
- no
k Nachbarschaftsmethode
Es funktioniert nicht ↓ - SVC
Ensemble-Methode
No
Klassifikation der probabilistischen Gradientenmethode
Es funktioniert nicht ↓
Kernel-Approximation

Clustering

――Wissen Sie, wie viele Kategorien es gibt?

Ich kenne
Weniger als 10.000 Proben?
- Yes↓
k durchschnittliche Methode (K bedeutet)
Es funktioniert nicht ↓
Spectral Clustering
Mixed Gaussian Model (GMM)
- no
Mini-Batch-k-Mittelungsmethode
Weiß nicht
Weniger als 10.000 Proben?
- Yes↓
  - MeanShift
Variationsgemischte Gaußsche Verteilung --Nein → Nicht beigefügt ...

Rückkehr

Ist die Stichprobe weniger als 100.000? --no → Rückkehr der stochastischen Gradientenmethode
yes ↓
Gibt es einige wichtige Funktionen?
- yes
  - Elastic Net
  - Lasso
- no
Ridge Regression
- SVR(kernel='linear') --Diese funktionieren nicht gut ↓
Ensemble-Methode
- SVR(kernel='rbf')

Dimensionsreduzierung

Randomized PCA
Es funktioniert nicht ↓
Weniger als 100.000 Proben? --no → Kernel Approximation
- yes ↓
  - Isomap
Spektrumeinbettung (Laplace's einzigartige Zuordnung)
Es funktioniert nicht ↓
- LLE

Tutorial Inhaltsverzeichnis / Nächstes Tutorial