Skip to main content
Ctrl+K
scikit-learn homepage scikit-learn homepage
  • Устанка
  • Содержание
  • API
  • Examples
  • Community
    • Начало работы
    • Release History
    • Glossary
    • Development
    • FAQ
    • Support
    • Related Projects
    • Roadmap
    • Governance
    • About us
  • GitHub
  • Telegram
  • Устанка
  • Содержание
  • API
  • Examples
  • Community
  • Начало работы
  • Release History
  • Glossary
  • Development
  • FAQ
  • Support
  • Related Projects
  • Roadmap
  • Governance
  • About us
  • GitHub
  • Telegram

Section Navigation

  • 1. Обучение с учителем
    • 1.1. Линейные модели
    • 1.2. Линейный Дискриминантный Анализ и Квадратичный Дискриминантный Анализ
    • 1.3. Ридж Регрессия ядра
    • 1.4. Метод опорных векторов (Support Vector Machines - SVM)
    • 1.5. Стохастический градиентный спуск
    • 1.6. Ближайшие соседи (Nearest Neighbors)
    • 1.7. Гауссовские процессы
    • 1.8. Перекрестная декомпозиция
    • 1.9. Наивный байесовский классификатор
    • 1.10. Деревья решений (Decision Trees)
    • 1.11. Ансамблевые методы: Градиентный бустинг, случайные леса, бэггинг, метод голосования, стекинг
    • 1.12. Многоклассовый и многозадачный алгоритмы
    • 1.13. Отбор признаков (Feature selection)
    • 1.14. Полуконтролируемое обучение
    • 1.15. Изотоническая регрессия
    • 1.16. Калибровка вероятности
    • 1.17. Модели нейронных сетей (контролируемые)
  • 2. Обучение без учителя
    • 2.1. Модели гауссовских смесей (Gaussian mixture models)
    • 2.2. Manifold learning
    • 2.3. Кластеризация
    • 2.4. Бинарная кластеризация
    • 2.5. Декомпозиция сигналов на компоненты (Матричная факторизация)
    • 2.6. Оценка ковариации
    • 2.7. Обнаружение новизны и выбросов
    • 2.8. Оценка плотности
    • 2.9. Модели нейронных сетей (без контроля)
  • 3. Модели отбора признаков и оценки
    • 3.1. Кросс-валидация (Cross-validation или перекрестная проверка): оценка эффективности оценок
    • 3.2. Настройка гиперпараметров модели
    • 3.3. Настройка порога принятия решения для предсказания класса
    • 3.4. Метрики и оценка: количественная оценка качества прогнозов
    • 3.5. Кривые валидации: построение оценок для оценки моделей
  • 4. Инспектирование
    • 4.1. Графики частичной зависимости и индивидуального условного ожидания
    • 4.2. Вычисление важности признаков с помощью перестановки
  • 5. Визуализация
  • 6. Преобразования наборов данных
    • 6.1. Конвейеры и составные моделеи
    • 6.2. Извлечение признаков
    • 6.3. Предварительная обработка данных
    • 6.4. Восстановление пропущенных значений
    • 6.5. Неконтролируемое снижение размерности
    • 6.6. Случайная проекция
    • 6.7. Аппроксимация ядра (Kernel Approximation)
    • 6.8. Парные метрики, Cходство и Ядра
    • 6.9. Преобразование цели прогнозирования (y)
  • 7. Утилиты загрузки наборов данных
    • 7.1. Игрушечные наборы данных
    • 7.2. Реальные наборы данных
    • 7.3. Сгенерированные наборы данных
    • 7.4. Загрузка других наборов данных
  • 8. Вычисления с помощью scikit-learn
    • 8.1. Стратегии вычислительного масштабирования: большие данные
    • 8.2. Вычислительная производительность
    • 8.3. Параллелизм, управление ресурсами и конфигурация
  • 9. Сохранение модели
  • 10. Общие подводные камни и рекомендуемые практики
  • 11. Диспетчеризация
    • 11.1. Поддержка API массивов (экспериментальная)
  • 12. Choosing the right estimator
  • 13. External Resources, Videos and Talks
  • Содержание
  • 11. Диспетчеризация

11. Диспетчеризация#

  • 11.1. Поддержка API массивов (экспериментальная)
    • 11.1.1. Пример использования
    • 11.1.2. Поддержка входов, совместимых с Array API
    • 11.1.3. Общие проверки модели

previous

10. Общие подводные камни и рекомендуемые практики

next

11.1. Поддержка API массивов (экспериментальная)

This Page

  • Show Source
Данный сайт является неофициальным переводом сайта scikit-learn.org
Если вы хотите помочь проекту с переводом, то можно обращаться по следующему адресу support@scikit-learn.ru