Skip to main content
Back to top
Ctrl
+
K
Install
用户指南
API
Examples
Community
More
入门指南
发布历史
Glossary
Development
FAQ
支持
相关项目
路线图
Governance
关于我们
GitHub
Install
用户指南
API
Examples
Community
入门指南
发布历史
Glossary
Development
FAQ
支持
相关项目
路线图
Governance
关于我们
GitHub
Section Navigation
1. 监督学习
1.1. 线性模型
1.2. 线性判别分析和二次判别分析
1.3. 核岭回归
1.4. 支持向量机
1.5. 随机梯度下降
1.6. 最近邻算法
1.7. 高斯过程
1.8. 交叉分解
1.9. 朴素贝叶斯
1.10. 决策树
1.11. 集成方法：梯度提升、随机森林、装袋、投票、堆叠
1.12. 多类和多输出算法
1.13. 特征选择
1.14. 半监督学习
1.15. 等渗回归
1.16. 概率校准
1.17. 神经网络模型（监督学习）
2. 无监督学习
2.1. 高斯混合模型
2.2. 流形学习
2.3. 聚类
2.4. 双向聚类
2.5. 信号分解为成分（矩阵分解问题）
2.6. 协方差估计
2.7. 新奇和异常检测
2.8. 密度估计
2.9. 神经网络模型（无监督）
3. 模型选择与评估
3.1. 交叉验证：评估估计器性能
3.2. 调整估计器的超参数
3.3. 调整分类预测的决策阈值
3.4. 度量和评分：量化预测质量
3.5. 验证曲线：绘制分数以评估模型
4. 检查
4.1. 部分依赖图与个体条件期望图
4.2. 排列特征重要性
5. 可视化
6. 数据集转换
6.1. 流水线和复合估计器
6.2. 特征提取
6.3. 数据预处理
6.4. 缺失值的插补
6.5. 无监督维度缩减
6.6. 随机投影
6.7. 核近似
6.8. 成对度量、亲和力和核函数
6.9. 转换预测目标（
y
）
7. 数据集加载工具
7.1. 玩具数据集
7.2. 真实世界数据集
7.3. 生成的数据集
7.4. 加载其他数据集
8. 使用 scikit-learn 进行计算
8.1. 计算扩展策略：更大的数据
8.2. 计算性能
8.3. 并行性、资源管理和配置
9. 模型持久化
10. 常见陷阱与推荐实践
11. 调度
11.1. 数组 API 支持（实验性）
12. 选择合适的估计器
13. 外部资源、视频和演讲
用户指南
11.
调度
#
11.1. 数组 API 支持（实验性）
11.1.1. 示例用法
11.1.2. 支持
数组API
兼容输入
11.1.3. 常见估计器检查
Show Source
