[PYTHON] [Français] Tutoriel scikit-learn 0.18 Choisir le bon modèle

traduction google de http://scikit-learn.org/0.18/tutorial/machine_learning_map/index.html Table des matières du didacticiel / Didacticiel précédent

Choisir le bon estimateur

Souvent, la partie la plus difficile de la résolution d'un problème d'apprentissage automatique est de trouver le bon estimateur pour le travail. Différents estimateurs conviennent à différents types de données et de problèmes. L'organigramme ci-dessous est destiné à fournir à l'utilisateur un guide approximatif sur l'estimateur avec lequel essayer les données. Cliquez sur le devis dans la figure ci-dessous pour voir le document. Vous ne pouvez pas cliquer

Aide-mémoire de l'algorithme scikit-learn

début

• Y a-t-il plus de 50 échantillons? --NON → Collectons plus de données
• yes ↓
• Voulez-vous estimer la catégorie? --Oui → Avez-vous étiqueté les données des enseignants? --Oui → Classification --Non → Clustering
  • No ―― Voulez-vous prédire le montant? oui → retour -Tu verras? oui → réduction de dimension ―― Voulez-vous prédire la structure? ――Il n'est pas joint ...

Classification

• L'échantillon est-il inférieur à 100 000?
• Yes
  • LinearSVC
• Ça ne marche pas
• S'agit-il de données textuelles? --oui → Naive Bayes
  • no
• méthode de voisinage k
• Ça ne marche pas ↓ - SVC
• Méthode Ensemble
• No
• Classification de la méthode du gradient probabiliste
• Ça ne marche pas ↓
• Approximation du noyau

Clustering

―― Savez-vous combien il y a de catégories?

• Je connais
• Moins de 10 000 échantillons?
  • Yes↓
• méthode k average (K Means)
• Ça ne marche pas ↓
• Clustering spectral
• Modèle gaussien mixte (GMM)
  • no
• Méthode de moyennage mini-batch k
• Ne sait pas
• Moins de 10 000 échantillons?
  • Yes↓
    • MeanShift
• Distribution gaussienne mixte variationnelle --Non → Non joint ...

Revenir

• L'échantillon est-il inférieur à 100 000? --no → Retour de la méthode du gradient stochastique
• yes ↓
• Y a-t-il quelques caractéristiques importantes?
  • yes
    • Elastic Net
    • Lasso
  • no
• Ridge Regression
  • SVR(kernel='linear')
• Celles-ci ne fonctionnent pas bien ↓
• Méthode Ensemble
  • SVR(kernel='rbf')

Réduction de dimension

• Randomized PCA
• Ça ne marche pas ↓
• Moins de 100 000 échantillons? --no → Approximation du noyau
  • yes ↓
    • Isomap
• Spectrum embedding (cartographie unique de Laplace)
• Ça ne marche pas ↓
  • LLE

Table des matières du didacticiel / Tutoriel suivant

© 2010 --2016, développeurs scikit-learn (licence BSD).