[Français] scikit-learn 0.18 Guide de l'utilisateur Table des matières

google traduit http://scikit-learn.org/0.18/user_guide.html Cliquez ici pour le tutoriel

Mode d'emploi

1. Apprentissage supervisé

1.1. Modèle linéaire généralisé : us: non traduit

1. Méthode du carré minimum
2. La complexité de la méthode des moindres carrés
3. Retour de crête
4. Complexité de la crête
5. Réglage des paramètres de normalisation: vérification mutuelle généralisée
6. Contraction absolue minimale et opérateur de sélection --Lasso
7. Définition des paramètres de régularisation
8. Recours à la vérification mutuelle
9. Sélection de modèles basée sur l'information
10. Lasso multitâche
11. Elastic Net
12. Filet élastique multitâche
13. Régression d'angle minimum --LARS
14. LARS Lasso
15. Prescription mathématique
16. Poursuite de l'appariement orthogonal (OMP)
17. Retour basian
18. Retour Bage Anridge
19. Validation automatique --ARD
20. Retour logistique
21. Descente de gradient probabiliste-SGD
22. Perceptron
23. Algorithme agressif passif
24. Régression de robustesse: valeurs aberrantes et erreurs de modélisation
25. Différents scénarios et concepts utiles 2. RANSAC：RANdom SAmple Consensus
26. Détails de l'algorithme
27. Estimateur Theil-Sen: estimateur basé sur la généralisation
28. Considération théorique
29. Retour de l'aspirateur
30. Remarques
31. Régression polygonale: extension du modèle linéaire avec fonction de base

1.2. Analyse de discrimination linéaire et quadratique non traduite

1. Réduction dimensionnelle à l’aide d’une analyse discriminante linéaire
2. Formulation mathématique des classificateurs LDA et QDA
3. Formulation mathématique de la réduction de dimension LDA
4. Rétrécissement
5. Algorithme d'estimation

1.3. Kernel Ridge Return : us: Untranslated

1.4. Support Vector Machine: jp:

1. Classification
2. Classification multiclasse
3. Score et probabilité
4. Problème déséquilibré
5. Retour
6. Estimation de la densité, détection de nouveauté
7. Complexe
8. Conseils pratiques
9. Fonction du noyau
10. Noyau personnalisé
11. Utilisez les fonctions Python comme noyau
12. Utilisation de la matrice gramme
13. Paramètres du noyau RBF
14. Prescription mathématique
    1. SVC
    2. NuSVC
    3. SVR
15. Détails de mise en œuvre

1.5. Descente de gradient probabiliste : us: non traduit

1. Classification
2. Retour
3. Descente de gradient probabiliste de données rares
4. Complexe
5. Conseils pratiques
6. Prescription mathématique
   1. SGD
7. Détails de mise en œuvre

1.6. Méthode la plus proche : us: non traduite

1. Méthode du voisin le plus proche sans enseignant
2. Trouvez le voisin le plus proche
3. Classe KDTree et classe BallTree
4. Classification la plus proche
5. Régression la plus proche
6. Algorithme de méthode du voisin le plus proche
7. Force brute
8. Arbre K-D
9. Arbre à boules
10. Sélection de l'algorithme du plus proche voisin
11. Effet de leaf_size
12. Classificateur du centre de gravité le plus proche
13. Centroïde rétréci le plus proche
14. Quartier approximatif à proximité
15. Forêt de hachage sensible à la communauté
16. Description mathématique du hachage de sensibilité locale

1.7. Processus gaussien : us: non traduit

1. Régression de processus gaussien (GPR)
2. Exemple GPR
3. GPR avec estimation du niveau de bruit
4. Comparaison du GPR et de la régression des crêtes de noyau
5. GPR des données de CO2 du Mauna Loa
6. Classification des processus gaussiens (GPC)
7. Exemple de GPC
8. Prédiction probabiliste par GPC
9. Schéma de GPC sur l'ensemble de données XOR
10. Classification des processus gaussiens (GPC) dans l'ensemble de données de l'iris
11. Noyau de processus gaussien
12. API du noyau de processus gaussien
13. Noyau de base
14. Opérateur de noyau
15. Noyau de fonction de base radiale (RBF)
16. Noyau Matteran
17. Noyau secondaire raisonnable
18. Noyau Exp-Sine-Squared
19. Noyau de produit scalaire
20. Références
21. Processus gaussien hérité
22. Exemple de régression d'introduction
23. Mise en place de données bruyantes
24. Prescription mathématique
25. Première hypothèse
26. Meilleure prédiction linéaire sans biais (BLUP)
27. Meilleur prédicteur de biais linéaire empiriquement (EBLUP)
28. Modèle de corrélation
29. Modèle de régression
30. Détails de mise en œuvre

1.8. Décomposition croisée : us: non traduit

1.9. Naive Bayes : us: Non traduit

1. Gauss Naive Bayes
2. Polygon Naive Bayes
3. Bernouy Naive Bayes
4. Ajustement du modèle de baies naïves hors cœur

1.10. Arbre de décision : us: non traduit

1. Classification
2. Retour
3. Problème de sortie multiple
4. Complexe
5. Conseils pratiques
6. Algorithme d'arborescence: ID3, C4.5, C5.0 et CART
7. Prescription mathématique
8. Critères de classification
9. Critères de régression

1.11. Méthode d'ensemble: jp:

1. Méta-estimateur d'ensachage
2. Forêt arborée aléatoire
3. Forêt aléatoire
4. Arbre hautement aléatoire
5. Paramètres
6. Parallélisation
7. Évaluation de l'importance fonctionnelle
8. Incorporation d'arbres entièrement aléatoire
9. AdaBoost
10. Utilisation
11. Boost d'arbre de dégradé
12. Classification
13. Retour
14. Adapter les apprenants faibles supplémentaires
15. Contrôle de la taille des arbres
16. Prescription mathématique
17. Fonction de perte
18. Normalisation
19. Rétrécissement
20. Sous-échantillonnage
21. Interprétation
22. Importance de la fonction
23. Partiellement dépendant
24. VotingClassifier
25. La plupart des labels de classe (décision majoritaire / sélection minutieuse)
26. Utilisation
27. Probabilité moyenne pondérée (vote modéré)
28. Utiliser le classificateur de vote avec la recherche de grille
29. Utilisation

1.12. Algorithme multi-classes et algorithme multi-étiquettes: jp:

1. Format de classification multi-étiquettes
2. Un repos
3. Apprentissage multi-classes
4. Apprentissage multi-étiquettes
5. 1 à 1
6. Apprentissage multi-classes
7. Code de sortie de correction d'erreur
8. Apprentissage multi-classes
9. Régression multi-sorties
10. Classification de plusieurs produits

1.13. Sélection des fonctionnalités: jp:

1. Supprimer les entités à faible dispersion
2. Sélection de la fonction univariée
3. Suppression des fonctionnalités récursives
4. Sélection des fonctionnalités à l'aide de SelectFromModel
5. Sélection de fonctionnalités basée sur L1
6. Modèle épars randomisé
7. Sélection des fonctionnalités par arborescence
8. Sélection des fonctions dans le cadre du pipeline

1.14. Semi-enseignant : us: non traduit

1. Propagation des étiquettes

1.15. Retour isotonique: jp:

1.16. Étalonnage des probabilités: jp:

1.17. Modèle de réseau neuronal (avec professeur) : us: non traduit

1. Perceptron multicouche
2. Classification
3. Retour
4. Normalisation
5. Algorithme
6. Complexe
7. Prescription mathématique
8. Conseils pratiques
9. Plus de contrôle avec warm_start

2. Apprentissage non supervisé

2.1. Modèle mixte gaussien : us: non traduit

1. Gauss mixte
2. Avantages et inconvénients du mélange gaussien
3. Avantages
4. Inconvénients 2 Sélection du nombre de composants dans le modèle mixte gaussien classique
5. L'algorithme d'estimation maximise la valeur attendue
6. Variante Bayes Gauss mixte
7. Algorithme d'estimation: inférence de variantes
8. Avantages et inconvénients de l'inférence de transformation avec un mélange gaussien bayésien
9. Avantages
10. Inconvénients
11. Processus Diricre

2.2. Apprentissage multiple : us: non traduit

1. Introduction
2. Isomap
3. Complexe
4. Incorporation localement linéaire
5. Complexe
6. Incorporation linéaire modifiée localement
7. Complexe
8. Cartographie unique de la matrice de Hesse
9. Complexe
10. Incorporation spectrale
11. Complexe
12. Alignement de l'espace tangent local
13. Complexe
14. Mise à l'échelle multidimensionnelle (MDS)
15. MDS métrique
16. MDS non métrique
17. Incorporation probabiliste de voisinage distribuée en t (t-SNE)
18. Optimisation du t-SNE
19. Burns chapeau t-SNE
20. Conseils pratiques

2.3. Clustering : us: Untranslated

1. Présentation de la méthode de clustering
2. K moyen
3. Mini lot K-Means
4. Propagation d'affinité
5. Changement moyen
6. Regroupement du spectre
7. Différence dans la méthode d'attribution des étiquettes
8. Regroupement hiérarchique
9. Différents types de liaison: Ward, liaison moyenne complète
10. Ajouter une contrainte de connexion
11. Modifier la métrique
12. Clustering spatial basé sur la densité (DBSCAN)
13. Réduction itérative et regroupement hiérarchiques équilibrés (BIRCH)
14. Évaluation des performances des regroupements
15. Indice foncier ajusté
16. Avantages
17. Inconvénients
18. Prescription mathématique
19. Notation mutuelle basée sur l'information
20. Avantages
21. Inconvénients
22. Prescription mathématique
23. Homogénéité, exhaustivité et échelle en V
24. Avantages
25. Inconvénients
26. Prescription mathématique
27. Score de Fowlkes-Mallows
28. Avantages
29. Inconvénients
30. Coefficient de silhouette
31. Avantages
32. Inconvénients
33. Index Karinsky Harabaz
34. Avantages
35. Inconvénients

2.4. Biclustering : us: non traduit

1. Co-clustering spectral
2. Prescription mathématique
3. Spectre par clustering
4. Prescription mathématique
5. Évaluation en deux clusters

2.5. Décomposer le signal dans le composant (problème de décomposition de la matrice): jp:

1. Analyse en composantes principales (ACP)
2. ACP précise et interprétation probabiliste
3. ACP incrémentale
4. PCA avec SVD aléatoire
5. PCA du noyau
6. Analyse fragmentaire des principaux composants (SparsePCA et MiniBatchSparsePCA)
7. Décomposition de la singularité de la troncature et analyse de la signification latente
8. Apprentissage du dictionnaire
9. Codage parcimonieux avec un dictionnaire pré-calculé
10. Apprentissage général du dictionnaire
11. Apprentissage du dictionnaire par mini-lots
12. Analyse factorielle
13. Analyse indépendante des composants (ICA)
14. Décomposition matricielle non négative (NMF ou NNMF)
15. Affectation potentielle de direction (LDA)

2.6. Estimation de la covariance : us: non traduit

1. Co-dispersion empirique
2. Co-distribution de réduction
3. Contraction de base
4. Ledoit-Wolf Shrink
5. Contraction approximative d'Oracle
6. Co-dispersion inverse clairsemée
7. Estimation de covariance robuste
8. Formule matricielle de covariance minimale

2.7. Détection des nouveautés et des valeurs aberrantes: jp:

1. Détection de nouveauté
2. Détection des valeurs aberrantes
3. Installez l'enveloppe ovale
4. Forêt d'isolement 3.1 Classe SVM vs enveloppe elliptique vs forêt d'isolement

2.8. Estimation de la densité: jp:

1. Estimation de la densité: histogramme
2. Estimation de la densité du noyau

2.9. Modèle de réseau neuronal (sans enseignant) : us: non traduit

1. Machine Boltzmann limitée
2. Modèle graphique et paramétrage
3. Machine Boltsman limitée Bernoulli
4. Apprentissage probabiliste le plus probable

3. Sélection et évaluation du modèle

3.1. Validation croisée: évaluer les résultats de l'estimateur: jp:

1. Calcul des métriques à validation croisée
2. Obtention de prévisions par validation croisée
3. Itérateur de vérification croisée
4. Données d'itérateur de validation croisée i.i.d
5. K fois 2. Leave One Out（LOO） 3. Leave P Out（LPO）
6. Vérification mutuelle de remplacement aléatoire a.k.a. Shuffle & Split
7. Itérateur de validation mutuelle avec hiérarchie basée sur l'étiquette de classe
8. couches K fois
9. Fractionnement aléatoire en couches
10. Itérateur de validation mutuelle pour les données groupées
11. Groupe k fois
12. Quittez un groupe
13. Quitter le groupe P
14. Répartition aléatoire du groupe
15. Fold-Split / Validation-Sets prédéfinis
16. Vérification mutuelle des données de séries chronologiques
17. Division des séries chronologiques
18. Précautions de lecture aléatoire
19. Vérification mutuelle et sélection du modèle

3.2. Estimator Hyper Parameter Tuning: jp:

1. Recherche de grille complète
2. Optimisation des paramètres aléatoires
3. Conseils de recherche de paramètres
4. Spécification des mesures objectives
5. Estimations composites et espace des paramètres
6. Sélection du modèle: élaboration et évaluation
7. Parallèle
8. Robustesse au handicap
9. Alternative à la recherche de paramètres Bruteforce
10. Validation mutuelle spécifique au modèle
11. Norme d'information
12. Autres estimateurs

3.3. Évaluation du modèle: quantifier la qualité de la prédiction: jp:

1. Paramètre de score: définition de la règle d'évaluation du modèle
2. Cas général: valeur prédéfinie
3. Définir une stratégie de notation à partir d'une fonction métrique
4. Implémentation de votre propre objet de notation
5. Métrique de classification
6. Du binaire au multi-classes et multi-étiquettes
7. Score de précision
8. Kappa de Cohen
9. Matrice de confusion
10. Rapport de classification
11. Perte de fredonnement
12. Score du coefficient de similarité de Jacquard
13. Précision, rappel, mesures F
14. Classification binaire
15. Classification des multi-classes et multi-étiquettes
16. Perte de charnière
17. Perte de journal
18. Coefficient de corrélation de Matthews
19. Caractéristiques de fonctionnement du récepteur (ROC)
20. Zéro une perte
21. Perte de score Breather
22. Mesure de classement multi-étiquettes
23. Erreur de couverture
24. Précision moyenne du classement des étiquettes
25. Perte de classement
26. Métrique de régression
27. Score de variance décrit
28. Erreur absolue moyenne
29. Erreur quadratique moyenne
30. Erreur absolue centrale
31. Score R², facteur de décision
32. Métrique de clustering
33. Estimateur factice

3.4. Persistance du modèle: flag_jp:

1. Exemple de persistance
2. Limites de sécurité et de maintenabilité

3.5. Courbe de vérification: tracer le score pour évaluer le modèle: jp:

1. Courbe de vérification
2. Courbe d'apprentissage

4. Conversion de jeux de données

4.1. Pipeline and Feature Union: Estimator combination: jp:

1. Pipeline: estimateur de chaîne
2. Utilisation
3. Remarque
4. FeatureUnion: espace de fonctionnalités composite
5. Utilisation

4.2. Extraction de fonctionnalités: jp:

1. Chargement des fonctionnalités à partir des dictionnaires
2. Hachage des fonctionnalités
3. Détails de mise en œuvre
4. Extraction de fonctionnalités de texte
5. Notation de mot
6. Rareté
7. Comment utiliser le vectoriseur commun
8. Pondération du terme Tf-idf
9. Décodage des fichiers texte
10. Applications et échantillons
11. Limitations d'expression dans Sac de mots
12. Vectoriser un corpus de texte volumineux à l’aide d’astuces
13. Effectuez une mise à l'échelle hors cœur avec HashingVectorizer
14. Classe de vectorisation personnalisée
15. Extraction de caractéristiques d'image
16. Extraction de patch
17. Graphique de connectivité des images

4.3. Prétraitement des données: jp:

1. Standardisation, élimination moyenne et mise à l'échelle de la dispersion
2. Mise à l'échelle des fonctionnalités à la plage
3. Mise à l'échelle des données éparses
4. Mise à l'échelle des données contenant des valeurs aberrantes
5. Matrice de centrage du noyau
6. Normalisation
7. Binarisation
8. Binarisation des fonctionnalités
9. Encodez la fonction de la catégorie
10. Achèvement des valeurs manquantes
11. Générer des caractéristiques polymorphes
12. Transformateur personnalisé

4.4. Réduction de dimension sans enseignant: jp:

1. PCA: analyse en composantes principales
2. Projection aléatoire
3. Agglomération de caractéristiques

4.5. Projection aléatoire: jp:

1. Supplément Johnson-Lindenstrauss
2. Projection aléatoire gaussienne
3. Projection aléatoire éparse

4.6. Approximation du noyau : us: non traduit

1. Méthode Nystroem pour l'approximation du noyau
2. Noyau de fonction de base radiale
3. Additive Chi Squared Kernel
4. Noyau chi carré asymétrique
5. Détails des mathématiques

4.7. Métriques par paires, similitudes et noyaux

1. Similitude cosinus
2. Noyau linéaire
3. Noyau polygonal
4. Noyau Sigmaid
5. Noyau RBF
6. Noyau laplacien
7. Noyau du chi carré

4.8. Transformer la cible de prédiction (y): jp:

1. Binarisation des étiquettes
2. Codage des étiquettes

5. Utilitaire de lecture de l'ensemble de données : us: non traduit

1. API d'ensemble de données générales
2. Jeu de données sur les jouets
3. Exemple d'image
4. Générateur d'échantillons
5. Générateur de classification et de regroupement
6. Étiquette unique
7. Multi-étiquettes 3. Biclustering
8. Générateur de régression
9. Générateur pour un apprentissage diversifié
10. Générateur de démontage
11. Ensemble de données au format svmlight / libsvm
12. Chargement à partir d'un ensemble de données externe
13. Olivetti fait face à l'ensemble de données
14. 20 ensembles de données textuelles de groupes de discussion
15. Utilisation
16. Convertissez le texte en vecteur
17. Filtrage de texte pour une formation plus réaliste
18. Téléchargez le jeu de données depuis le référentiel mldata.org
19. Visages étiquetés dans le jeu de données de reconnaissance de visage sauvage
20. Utilisation
21. Exemple
22. Déforestation
23. Ensemble de données RCV1
24. Ensemble de données sur les prix des maisons de Boston
25. Remarque
26. Base de données (diagnostic) du cancer du sein dans le Wisconsin
27. Remarque
28. Références
29. Ensemble de données sur le diabète
30. Remarque
31. Reconnaissance optique des données numériques manuscrites
32. Remarque
33. Références
34. Base de données des plantes Iris
35. Remarque
36. Références
37. Ensemble de données Linnerrud
38. Remarque
39. Références

6. Stratégie d'expansion informatique: données plus volumineuses : us: non traduites

1. Mise à l'échelle des instances à l'aide de l'apprentissage hors cœur
2. Instance de streaming
3. Extraction de fonctionnalités
4. Apprentissage incrémental
5. Exemple
6. Remarques

7. Performances informatiques : us: non traduites

1. Latence prévue
2. Mode Bulk vs Atomic
3. Impact du nombre de fonctionnalités
4. Impact de la représentation des données d'entrée
5. Impact de la complexité du modèle
6. Latence d'extraction de fonctionnalités
7. Débit prévu
8. Conseils et techniques
9. Bibliothèque d'algèbre linéaire
10. Compression du modèle
11. Changer la forme du modèle
12. Lien

Cliquez ici pour le tutoriel

© 2010 --2016, développeurs scikit-learn (licence BSD).