Search

Please activate JavaScript to enable the search functionality.

From here you can search these documents. Enter your search words into the box below and click "search". Note that the search function will automatically search for all of the words. Pages containing fewer words won't appear in the result list.

Search Results

Search finished, found 840 page(s) matching the search query.

  • sklearn.gaussian_process.RationalQuadratic
    ```python class sklearn.gaussian_process.kernels.RationalQuadratic(length_scale=1.0, alpha=1.0, len
  • 安装scikit-learn
    有多种安装scikit-learn的方法： > - [安装最新的官方版本](https://scikit-learn.org/stable/install.html#install-offici
  • scikit-learn 0.23中的发布要点
    我们很高兴地宣布， 发布了 scikit-learn 0.23！许多bug被修复及改进，以及一些新的关键特性。我们将在下面详细介绍这个版本的几个主要特性。有关所有更改的详尽清单，请参阅发布说明。 若
  • 4.1 部分依赖图
    部分依赖图（ Partial dependence plots ，PDP）显示了目标响应[1]和一组“目标”特征之间的依赖关系，并边缘化其他特征（“ 补充(complement) ”特征）的值。直观地
  • 光谱集群算法的一个示例
    **注意** 单击[此处](https://scikit-learn.org/stable/auto_examples/bicluster/plot_spectral_biclustering.htm
  • 分类器的概率校准
    在执行分类时，不仅要预测类标签，还要预测相关的概率。这个概率给了你对这个预测的某种信心。然而，并不是所有的分类器都能提供精确的概率，有些是过于自信，而另一些则是不够自信。因此，作为后处理，单独的校准预
  • 分类器的比较
    在人工数据集上比较scikit-learn中的几种分类器。这个例子的重点是说明不同分类器的决策边界的性质。这些例子所传达的直觉不一定会传递给真实的数据集，因此，这一点应该有所把握。 特别是在高维
  • 基于KMeans聚类分析使用silhouette选择聚类的数目
    轮廓分析可以用来研究聚类之间的分离距离。轮廓图显示了一个聚类中的每一个点与其最相邻的聚类中的点之间的距离，从而提供了一种可视化评估参数(如簇数)的方法。这一度量的范围为[-1，1]。 轮廓系数(
  • 3.4 模型持久性
    在训练一个scikit-learn模型后，最好有一种方法可以将模型持久化以备重复使用，而不需要重新训练模型。随后将会提供例子以解释如何使用pickle来始模型更加持久。当使用pickle序列化时，需要
  • 1.16 概率校准
    在执行分类时，不仅要预测类标签，而且要获得相应标签的概率。这个概率给了你一些关于预测的信心。有些模型可以给出类概率的糟糕估计，有些甚至不支持概率预测。校准模块允许您更好地校准给定模型的概率，或者添加对
  • 2.8. 密度估计
    密度估计涉及到无监督学习，特征工程和数据建模三个领域。一些最流行和有用的密度估计技术是混合模型（例如高斯混合模型[`sklearn.mixture.GaussianMixture`](https://
  • 6.8 成对度量，近似关系和内核
    [`sklearn.metrics.pairwise`](https://scikit-learn.org.cn/lists/3.html#sklearn.metrics%EF%BC%9A%E6%8C
  • 8.2. 计算性能
    对于某些应用，估计器的性能（主要是预测时间的延迟和吞吐量）至关重要。考虑训练吞吐量也可能是有意义的，但是在生产设置（通常在脱机中运行）通常是不太重要的。 我们将在这里审查您可以从不同上下文中的一些
  • 鲁棒协方差估计与Mahalanobis距离相关性
    在高斯分布数据上用Mahalanobis距离表示协方差估计的一个例子。 对于高斯分布的数据，观测值到$x_{i}$ 分布模式的距离可以用它的Mahalanobis距离：$d_{(\mu,\Sig
  • 绘制随机生成的分类数据集
    此示例绘制了几个随机生成的分类数据集。为了便于可视化，所有数据集都有两个特征，绘制在x和y轴上。每个点的颜色表示其类标签。 前4幅图使用 [`make_classification`](https:

首页434445474849末页