VIP会员

sklearn_0.21.3中文手册.pdf

scikit-learn（sklearn）0.21.3 最新版中文手册，pdf格式 最新版 最新版 最新版

sklearn_0.21.3中文手册（机器学习库）,sklearn中文手册pdf,Python源码.zip

sklearn_0.21.3中文手册（机器学习库）,sklearn中文手册pdf,Python源码

sklearn_0.21.3中文手册（机器学习库）,sklearn中文手册pdf,Python

scikit-learn (sklearn) 官方文档中文版。scikit-learn 是基于 Python 语?的机器学习工具

sklearn中文学习手册

scikit-learn-user-guide-chinese-version.pdf。 sklearn 学习手册，中文版，有算法的调用等，从网络找到的。

sklearn使用手册中文版

sklearn使用手册，包括实例step by step

scikit-learn (sklearn) 0.21.3 官方文档中文版.pdf

scikit-learn (sklearn) 0.21.3 官方文档中文版，人手必备的参考手册

sklearn_contrib_lightning-0.6.1-cp38-cp38-win_amd64

sklearn_contrib_lightning-0.6.1-cp38-cp38-win_amd64

sklearn_contrib_lightning-0.6.1-cp39-cp39-win_amd64

sklearn_contrib_lightning-0.6.1-cp39-cp39-win_amd64

sklearn_contrib_lightning-0.5.0-cp27-cp27m-win32

sklearn_contrib_lightning-0.5.0-cp27-cp27m-win32

sklearn_contrib_lightning-0.5.0-cp27-cp27m-win_amd64

sklearn_contrib_lightning-0.5.0-cp27-cp27m-win_amd64

sklearn0.19中文文档

sklearn0.19中文文档 PDF格式高清。 .1. 广义线性模型 1.1.1. 普通最小二乘法 1.1.1.1. 普通最小二乘法复杂度 1.1.2. 岭回归 1.1.2.1. 岭回归的复杂度 1.1.2.2. 设置正则化参数：广义交叉验证 1.1.3. Lasso 1.1.3.1. 设置正则化参数 1.1.3.1.1. 使用交叉验证 1.1.3.1.2. 基于信息标准的模型选择 1.1.3.1.3. 与 SVM 的正则化参数的比较 1.1.4. 多任务 Lasso 1.1.5. 弹性网络 1.1.6. 多任务弹性网络 1.1.7. 最小角回归 1.1.8. LARS Lasso 1.1.8.1. 数学表达式 1.1.9. 正交匹配追踪法（OMP） 1.1.10. 贝叶斯回归 1.1.10.1. 贝叶斯岭回归 1.1.10.2. 主动相关决策理论 - ARD 1.1.11. logistic 回归 1.1.12. 随机梯度下降, SGD 1.1.13. Perceptron（感知器） 1.1.14. Passive Aggressive Algorithms（被动攻击算法） 1.1.15. 稳健回归（Robustness regression）: 处理离群点 （outliers）和模型错误 1.1.15.1. 各种使用场景与相关概念 1.1.15.2. RANSAC： 随机抽样一致性算法（RANdom SAmple Consensus） 1.1.15.2.1. 算法细节 1.1.15.3. Theil-Sen 预估器: 广义中值估计 1.1.15.3.1. 算法理论细节 1.1.15.4. Huber 回归 1.1.15.5. 注意 1.1.16. 多项式回归：用基函数展开线性模型 1.2. 线性和二次判别分析 1.2.1. 使用线性判别分析来降维 1.2.2. LDA 和 QDA 分类器的数学公式 1.2.3. LDA 的降维数学公式 1.2.4. Shrinkage（收缩） 1.2.5. 预估算法 1.3. 内核岭回归 1.4. 支持向量机 1.4.1. 分类 1.4.1.1. 多元分类 1.4.1.2. 得分和概率 1.4.1.3. 非均衡问题 1.4.2. 回归 1.4.3. 密度估计, 异常（novelty）检测 1.4.4. 复杂度 1.4.5. 使用诀窍 1.4.6. 核函数 1.4.6.1. 自定义核 1.4.6.1.1. 使用 python 函数作为内核 1.4.6.1.2. 使用 Gram 矩阵 1.4.6.1.3. RBF 内核参数 1.4.7. 数学公式 1.4.7.1. SVC 1.4.7.2. NuSVC 1.4.7.3. SVR 1.4.8. 实现细节 1.5. 随机梯度下降 1.5.1. 分类 1.5.2. 回归 1.5.3. 稀疏数据的随机梯度下降 1.5.4. 复杂度 1.5.5. 实用小贴士 1.5.6. 数学描述 1.5.6.1. SGD 1.5.7. 实现细节 1.6. 最近邻 1.6.1. 无监督最近邻 1.6.1.1. 找到最近邻 1.6.1.2. KDTree 和 BallTree 类 1.6.2. 最近邻分类 1.6.3. 最近邻回归 1.6.4. 最近邻算法 1.6.4.1. 暴力计算 1.6.4.2. K-D 树 1.6.4.3. Ball 树 1.6.4.4. 最近邻算法的选择 1.6.4.5. leaf_size 的影响 1.6.5. 最近质心分类 1.6.5.1. 最近缩小质心 1.7. 高斯过程 1.7.1. 高斯过程回归（GPR） 1.7.2. GPR 示例 1.7.2.1. 具有噪声级的 GPR 估计 1.7.2.2. GPR 和内核岭回归(Kernel Ridge Regression)的比 较 1.7.2.3. Mauna Loa CO2 数据中的 GRR 1.7.3. 高斯过程分类（GPC） 1.7.4. GPC 示例 1.7.4.1. GPC 概率预测 1.7.4.2. GPC 在 XOR 数据集上的举例说明 1.7.4.3. iris 数据集上的高斯过程分类（GPC） 1.7.5. 高斯过程内核 1.7.5.1. 高斯过程内核 API 1.7.5.2. 基础内核 1.7.5.3. 内核操作 1.7.5.4. 径向基函数内核 1.7.5.5. Matérn 内核 1.7.5.6. 有理二次内核 1.7.5.7. 正弦平方内核 1.7.5.8. 点乘内核 1.7.5.9. 参考文献 1.7.6. 传统高斯过程 1.7.6.1. 回归实例介绍 1.7.6.2. 噪声数据拟合 1.7.6.3. 数学形式 1.7.6.3.1. 初始假设 1.7.6.3.2

史上最全的菜菜的sklearn学习[教程很详细].rar

史上最全的菜菜的sklearn学习[教程很详细

sklearn的官方文档（0.16）

sklearn的官方文档（0.16），是全的，包括监督学习，非监督学习等方法

Python-sklearn文档

Python.Machine.Learning

菜菜的sklearn课堂完整版pdf(1-11课).rar

1 决策树 2 随机森林 3 特征工程 4 降维算法 5 逻辑回归 6 聚类算法 7 SVM version 8 SVM 案例 9 线性回归 10 朴素贝叶斯 11 XGBoost

sklearn_contrib_lightning-0.6.1-cp310-cp310-win32

sklearn_contrib_lightning-0.6.1-cp310-cp310-win32

sklearn 0.21.3 中文文档.pdf

sklearn 官方中文文档.pdf ，sklearn 版本：0.21.3 ，根据官方英文内容翻译成中文 很全，自己整理，机器学习工具包必备学习查阅教程

sklearn_0.21.3 中文文档,sklearn官方文档,Python

sklearn中文文档说明教程入门pdf电子档

sklearn_contrib_lightning-0.6.1-pp37-pypy37_pp73-win_amd64

sklearn_contrib_lightning-0.6.1-pp37-pypy37_pp73-win_amd64

sklearn_contrib_lightning-0.6.1-cp39-cp39-win32

sklearn_contrib_lightning-0.6.1-cp39-cp39-win32

sklearn_中文教程简单易懂

这个是sklearn的一个中文简单教程，上手快，原理解释通俗易懂

sklearn中文资料

Python中sklearn模块的中文资料，讲述机器学习基础，线性回归、聚类、决策树等

scikit-learn Cookbook pdf sklearn

scikit-learn Cookbook pdf sklearn About This Book ============================== Learn how to handle a variety of tasks with Scikit-Learn with interesting recipes that show you how the library really works Use Scikit-Learn to simplify

菜菜sklearn课堂pdf.rar

1 决策树 live 2 随机森林 live 3 特征工程 live 4 降维算法 live 5 逻辑回归 live 6 聚类算法 live 7 SVM live version 8 SVM 案例 live 9 线性回归 live 10 朴素贝叶斯 live 11 XGBoost live 12 神经网络 live

Scikit-learn 使用手册中文版(官方手册中文版)

Scikit-learn 使用手册中文版 有监督学习 广义线性模型 11.广义线性模型 英文原文 以下介绍的方法均是用于求解回归问题,其目标值预计是输入变量的一个线性组合。写成数 学语言为:假设!是预测值,则有 y(,x)=0+u1x1+.p 在本节中’称向量=(1,…,n)为ce-·、%ma%W%nma%为 intercept 若要将通用的线性模型用于分类问题,可参见 Logistic回归 1.11普通最小二乘法 Linear使用系数=(1,…,mp)拟合一个线性模型。拟合的目标是要将线性 逼近预測值(XU)和数据集中观察到的值(y)两者之差的平方和尽量降到最小。写成数学 公式即是要解决以下形式的问题 IXw-yl2 广义线性模型 LinearRegression的fit方法接受数组Ⅹ和y作为输入’将线性模型的乐数ω存在成员变

sklearn_contrib_py_earth-0.1.0-cp35-cp35m-win_amd64

sklearn_contrib_py_earth-0.1.0-cp35-cp35m-win_amd64

sklearn_contrib_lightning-0.6.1-cp310-cp310-win_amd64

sklearn_contrib_lightning-0.6.1-cp310-cp310-win_amd64

sklearn_contrib_lightning-0.4.0-cp35-cp35m-win_amd64.whl

python sklearn_contrib_lightning-0.4.0-cp35-cp35m-win_amd64.whl

sklearn中文指导手册0.21.3.pdf

sklearn中文指导手册0.21.3是在github上下载的markdown文件整理而成，markdown文件比较散，整理成pdf方便查阅

sklearn_contrib_lightning-0.6.0-cp36-cp36m-win_amd64

sklearn_contrib_lightning-0.6.0-cp36-cp36m-win_amd64