scikit-learn (sklearn) 官方文档中文版

# <center>scikit-learn (sklearn) 官方文档中文版</center> <center><img src="img/logo/scikit-learn-logo.png" alt="logo" /></center> <br/> <table> <tr align="center"> <td><a title="sklearn 0.21.3[master] 中文文档" href="https://sklearn.apachecn.org/" target="_blank"><font size="5">sklearn 0.21.3 中文文档</font></a></td> <td><a title="sklearn 0.21.3[master] 中文示例" href="https://sklearn.apachecn.org/docs/examples" target="_blank"><font size="5">sklearn 0.21.3 中文示例</font></a></td> <td><a title="sklearn 英文官网" href="https://scikit-learn.org" target="_blank"><font size="5">sklearn 英文官网</font></a></td> </tr> </table> <br/> --- ## 介绍 sklearn (scikit-learn) 是基于 Python 语言的机器学习工具 1. 简单高效的数据挖掘和数据分析工具 2. 可供大家在各种环境中重复使用 3. 建立在 NumPy ，SciPy 和 matplotlib 上 4. 开源，可商业使用 - BSD许可证 > 维护地址 + [Github](https://github.com/apachecn/scikit-learn-doc-zh/) + [在线阅读](http://sklearn.apachecn.org) + [EPUB 格式](https://github.com/apachecn/sklearn-doc-zh/raw/epub/sklearn_0.21.3_2019_12_13.epub) ## 目录 * [安装 scikit-learn](docs/master/62.md) * 用户指南 * [1. 监督学习](docs/master/1.md) * [1.1. 广义线性模型](docs/master/2.md) * [1.2. 线性和二次判别分析](docs/master/3.md) * [1.3. 内核岭回归](docs/master/4.md) * [1.4. 支持向量机](docs/master/5.md) * [1.5. 随机梯度下降](docs/master/6.md) * [1.6. 最近邻](docs/master/7.md) * [1.7. 高斯过程](docs/master/8.md) * [1.8. 交叉分解](docs/master/9.md) * [1.9. 朴素贝叶斯](docs/master/10.md) * [1.10. 决策树](docs/master/11.md) * [1.11. 集成方法](docs/master/12.md) * [1.12. 多类和多标签算法](docs/master/13.md) * [1.13. 特征选择](docs/master/14.md) * [1.14. 半监督学习](docs/master/15.md) * [1.15. 等式回归](docs/master/16.md) * [1.16. 概率校准](docs/master/17.md) * [1.17. 神经网络模型（有监督）](docs/master/18.md) * [2. 无监督学习](docs/master/19.md) * [2.1. 高斯混合模型](docs/master/20.md) * [2.2. 流形学习](docs/master/21.md) * [2.3. 聚类](docs/master/22.md) * [2.4. 双聚类](docs/master/23.md) * [2.5. 分解成分中的信号（矩阵分解问题）](docs/master/24.md) * [2.6. 协方差估计](docs/master/25.md) * [2.7. 新奇和异常值检测](docs/master/26.md) * [2.8. 密度估计](docs/master/27.md) * [2.9. 神经网络模型（无监督）](docs/master/28.md) * [3. 模型选择和评估](docs/master/29.md) * [3.1. 交叉验证：评估估算器的表现](docs/master/30.md) * [3.2. 调整估计器的超参数](docs/master/31.md) * [3.3. 模型评估: 量化预测的质量](docs/master/32.md) * [3.4. 模型持久化](docs/master/33.md) * [3.5. 验证曲线: 绘制分数以评估模型](docs/master/34.md) * [4. 检验](docs/master/35.md) * [4.1. 部分依赖图](docs/master/36.md) * [5. 数据集转换](docs/master/37.md) * [5.1. Pipeline（管道）和 FeatureUnion（特征联合）: 合并的评估器](docs/master/38.md) * [5.2. 特征提取](docs/master/39.md) * [5.3 预处理数据](docs/master/40.md) * [5.4 缺失值插补](docs/master/41.md) * [5.5. 无监督降维](docs/master/42.md) * [5.6. 随机投影](docs/master/43.md) * [5.7. 内核近似](docs/master/44.md) * [5.8. 成对的矩阵, 类别和核函数](docs/master/45.md) * [5.9. 预测目标 (`y`) 的转换](docs/master/46.md) * [6. 数据集加载工具](docs/master/47.md) * [6.1. 通用数据集 API](docs/master/47.md) * [6.2. 玩具数据集](docs/master/47.md) * [6.3 真实世界中的数据集](docs/master/47.md) * [6.4. 样本生成器](docs/master/47.md) * [6.5. 加载其他数据集](docs/master/47.md) * [7. 使用scikit-learn计算](docs/master/48.md) * [7.1. 大规模计算的策略: 更大量的数据](docs/master/48.md) * [7.2. 计算性能](docs/master/48.md) * [7.3. 并行性、资源管理和配置](docs/master/48.md) * [教程](docs/master/50.md) * [使用 scikit-learn 介绍机器学习](docs/master/51.md) * [关于科学数据处理的统计学习教程](docs/master/52.md) * [机器学习: scikit-learn 中的设置以及预估对象](docs/master/53.md) * [监督学习：从高维观察预测输出变量](docs/master/54.md) * [模型选择：选择估计量及其参数](docs/master/55.md) * [无监督学习: 寻求数据表示](docs/master/56.md) * [把它们放在一起](docs/master/57.md) * [寻求帮助](docs/master/58.md) * [处理文本数据](docs/master/59.md) * [选择正确的评估器(estimator.md)](docs/master/60.md) * [外部资源，视频和谈话](docs/master/61.md) * [API 参考](https://scikit-learn.org/stable/modules/classes.html) * [常见问题](docs/master/63.md) * [时光轴](docs/master/64.md) ## 历史版本 * [scikit-learn (sklearn) 0.19 官方文档中文版](https://github.com/apachecn/sklearn-doc-zh/tree/master/docs/0.19.x.zip) * [scikit-learn (sklearn) 0.18 官方文档中文版](http://cwiki.apachecn.org/pages/viewpage.action?pageId=10030181) 如何编译使用历史版本: * 解压 `0.19.x.zip` 文件夹 * 将 `master/img` 的图片资源, 复制到 `0.19.x` 里面去 * gitbook 正常编译过程，可以使用 `sh run_website.sh` ## 贡献指南 项目当前处于校对阶段，请查看[贡献指南](CONTRIBUTING.md)，并在[整体进度](https://github.com/apachecn/sklearn-doc-zh/issues/352)中领取任务。 > 请您勇敢地去翻译和改进翻译。虽然我们追求卓越，但我们并不要求您做到十全十美，因此请不要担心因为翻译上犯错——在大部分情况下，我们的服务器已经记录所有的翻译，因此您不必担心会因为您的失误遭到无法挽回的破坏。（改编自维基百科） ## 项目负责人 格式: GitHub + QQ > 第一期 (2017-09-29) * [@那伊抹微笑](https://github.com/wangyangting) * [@片刻](https://github.com/jiangzhonglian) * [@小瑶](https://github.com/chenyyx) > 第二期 (2019-06-29) * [@N!no](https://github.com/lovelybuggies)：1352899627 * [@mahaoyang](https://github.com/mahaoyang)：992635910 * [@loopyme](https://github.com/loopyme)：3322728009 * [飞龙](https://github.com/wizardforcel)：562826179 * [片刻](https://github.com/jiangzhonglian)：529815144 -- 负责人要求: (欢迎一起为 `sklearn 中文版本` 做贡献) * 热爱开源，喜欢装逼 * 长期使用 sklearn(至少0.5年) + 提交Pull Requests>=3 * 能够有时间及时优化页面 bug 和用户 issues * 试用期: 2个月 * 欢迎联系: [片刻](https://github.com/jiangzhonglian) 529815144 ## 贡献者 [【0.19.X】贡献者名单](https://github.com/apachecn/sklearn-doc-zh/issues/354) ## 建议反馈 * 在我们的 [apachecn/pytorch-doc-zh](https://github.com/apachecn/sklearn-doc-zh) github 上提 issue. * 发邮件到 Email: `apachecn@163.com`. * 在我们的 [QQ群-搜索: 交流方式](https://github.com/apachecn/home) 中联系群主/管理员即可. ## **项目协议** * **最近有很多人联系我们，关于内容授权问题！** * 开源是指知识应该重在传播和迭代（而不是禁止别人转载） * 不然你TM在GitHub开源，然后又说不让转载，你TM有病吧！ * 禁止商业化，符合协议规范，备注地址来源，**重点: 不需要**发邮件给我们申请 * ApacheCN 账号下没有协议的项目，一律视为 [CC BY-NC-SA 4.0](https://creativecommons.org/licenses/by-nc-sa/4.0/deed.zh)。 温馨提示: * 对于个人想自己copy一份再更新的人 * 我也是有这样的经历，但是这种激情维持不了几个月，就泄气了！ * 不仅浪费了你的心血，还浪费了更多人看到你的翻译成果！很可惜！你觉得呢？ * 个人的建议是: fork -> pull requests 到 `https://github.com/apachecn/sklearn-doc-zh` * 那为什么要选择 `ApacheCN` 呢？ * 因为我们做翻译这事情是觉得开心和装逼，比较纯粹！ * 你如果喜欢，你可以来参与/甚至负责这个项目，没有任何学历和背景的限制 ## 赞助我们 <img src="http://data.apachecn.org/img/about/donate.jpg" alt="微信&支付宝" />