Ecosyste.ms: Awesome

An open API service indexing awesome lists of open source software.

https://github.com/apachecn/sklearn-doc-zh

:book: [译] scikit-learn（sklearn）中文文档
https://github.com/apachecn/sklearn-doc-zh

documentation machine-learning python scikit-learn

Last synced: 3 months ago
JSON representation

:book: [译] scikit-learn（sklearn）中文文档

Host: GitHub
URL: https://github.com/apachecn/sklearn-doc-zh
Owner: apachecn
License: other
Created: 2017-09-27T03:25:03.000Z (over 6 years ago)
Default Branch: master
Last Pushed: 2023-07-21T08:48:33.000Z (11 months ago)
Last Synced: 2024-02-25T01:03:36.278Z (4 months ago)
Topics: documentation, machine-learning, python, scikit-learn
Language: CSS
Homepage: http://sklearn.apachecn.org
Size: 60.3 MB
Stars: 5,000
Watchers: 211
Forks: 1,466
Open Issues: 10
Metadata Files:
- Readme: README.md
- Contributing: CONTRIBUTING.md
- License: LICENSE

Lists

awesome-stars - apachecn/sklearn-doc-zh - :book: [译] scikit-learn（sklearn）中文文档 (CSS)
awesome - scikit-learn-doc-zh - :book: [译] scikit-learn（sklearn）中文文档 (HTML)
awesome-ml-summary - sklearn-cn - cn](https://sklearn.apachecn.org/)| (1 Predict / Machine Learning Related Documention)
awesome-stars-copy - apachecn/sklearn-doc-zh - :book: [译] scikit-learn（sklearn）中文文档 (CSS)

README

        # scikit-learn (sklearn) 官方文档中文版






    

        sklearn 0.21.3 中文文档

        sklearn 0.21.3 中文示例

        sklearn 英文官网

    




---

## 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

> 组织构建[网站]

+ GitHub Pages(国外): https://sklearn.apachecn.org

+ Gitee Pages(国内): https://apachecn.gitee.io/sklearn-doc-zh

> 第三方站长[网站]

+ 地址A: xxx (欢迎留言，我们完善补充)

> 其他补充

+ [官方Github](https://github.com/apachecn/scikit-learn-doc-zh)

+ [EPUB 下载地址](https://github.com/apachecn/sklearn-doc-zh/raw/epub/sklearn_0.21.3_2019_12_13.epub)

+ [ApacheCN 翻译校对兼职群 713436582](https://jq.qq.com/?_wv=1027&k=VSNtgpjb)

## 下载

### Docker

```

docker pull apachecn0/sklearn-doc-zh

docker run -tid -p :80 apachecn0/sklearn-doc-zh

# 访问 http://localhost:{port} 查看文档

```

### PYPI

```

pip install sklearn-doc-zh

sklearn-doc-zh 

# 访问 http://localhost:{port} 查看文档

```

### NPM

```

npm install -g sklearn-doc-zh

sklearn-doc-zh 

# 访问 http://localhost:{port} 查看文档

```

## 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

为了不断改进翻译质量，我们特此启动了【翻译、校对、笔记整理活动】，开设了多个校对项目。贡献者校对一章之后可以领取千字2\~4元的奖励。进行中的校对活动请见[活动列表](https://home.apachecn.org/#/docs/activity/docs-activity)。更多详情请联系飞龙（Q562826179，V:wizardforcel）。

## DOCX：开放共享科研记录行动倡议

我们积极响应[科研开源计划（DOCX）](https://mmcheng.net/docx/)。如今开源不仅仅是开放源码，还包括数据集、模型、教程和实验记录。我们也在探讨其它类别的开源方案和协议。

希望大家了解这个倡议，把这个倡议与自己的兴趣点结合，做点力所能及的事情。每个人的微小的贡献，汇聚在一起就是整个开源生态。

## 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: `[email protected]`.

* 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