0dayhub
# 2.8. 密度估计
校验者: @不将就 翻译者: @Xi 密度估计在无监督学习，特征工程和数据建模之间划分了界线。一些最流行和最有用的密度估计方法是混合模型，如高斯混合( sklearn.mixture.GaussianMixt...
2019年09月的文章
第3页
# 2.7. 新奇和异常值检测
校验者: @RyanZhiNie @羊三 @Loopy 翻译者: @羊三 许多应用需要能够对新观测进行判断，判断其是否与现有观测服从同一分布（即新观测为内围值），相反则被认为不服从同一分布（即...
# 2.9. 神经网络模型（无监督）
校验者: @不将就 @Loopy 翻译者: @夜神月 2.9.1. 限制波尔兹曼机 Restricted Boltzmann machines (RBM)（限制玻尔兹曼机）是基于概率模型的无监督非线性特征学习...
# 3. 模型选择和评估
3.1 交叉验证：评估估算器的表现 3.1.1 计算交叉验证的指标 3.1.1.1 cross_validate 函数和多度量评估 3.1.1.2 通过交叉验证获取预测 3.1.2 交叉验证迭代器 3.1.2.1 交叉验证迭代器–循环遍历数...
# 1.2. 线性和二次判别分析
校验者: @AnybodyHome @numpy @Loopy 翻译者: @FAME Linear Discriminant Analysis（线性判别分析）(discriminant_ana...
# 3.1. 交叉验证：评估估算器的表现
校验者: @想和太阳肩并肩 @樊雯 @Loopy 翻译者: @\S^R^Y/ 学习预测函数的参数，并在相同数据集上进行测试是一种错误的做法: 一个仅给出测试用例标签的模型将会获得极高的分数，但...
# 3.2. 调整估计器的超参数
校验者: @想和太阳肩并肩 翻译者: @\S^R^Y/ 超参数，即不直接在估计器内学习的参数。在 scikit-learn 包中，它们作为估计器类中构造函数的参数进行传递。典型的例子有：用于支持向量分类器的 ...
# 3.4. 模型持久化
校验者: @why2lyj（Snow Wang） @小瑶 翻译者: @那伊抹微笑 在训练完 scikit-learn 模型之后，最好有一种方法来将模型持久化以备将来使用，而无需重新训练。 以下...
# 3.3. 模型评估: 量化预测的质量
校验者: @飓风 @小瑶 @FAME @v @Loopy 翻译者: @小瑶 @片刻 @那伊抹微笑 有 3 种不同的 API 用于...
# 3.5. 验证曲线: 绘制分数以评估模型
校验者: @正版乔 @正版乔 @小瑶 翻译者: @Xi 每种估计器都有其优势和缺陷。它的泛化误差可以用偏差、方差和噪声来分解。估计值的 偏差 是不同训练集的平均误差。估计值的 ...