0dayhub# 4. 检验
4.1 部分依赖图
2019年09月的文章
第4页
# 4.1. 部分依赖图
校验者: 待核验 翻译者: @Loopy 部分依赖图(以下简称PDP)显示了目标响应[1]和一组“目标”特征之间的依赖关系，并边缘化所有其他特征（“补充”特征）的值。直观地，我们可以将部分依赖关系解释为预期目标响应作为“目标...
# 5. 数据集转换
scikit-learn 提供了一个用于转换数据集的库, 它也许会 clean（清理）（请参阅 预处理数据）, reduce（减少）（请参阅 无监督降维）, expand（扩展）（请参阅 内核近似）或 generate（生成）（请参阅 特征...
# 5.1. Pipeline（管道）和 FeatureUnion（特征联合）: 合并的评估器
校验者: @程威 @Loopy 翻译者: @Sehriff 变换器(Transformers)通常与分类器，回归器或其他的学习器组合在一起以构建复合估计器。 完成这件事的最常用工具是 Pipe...
# 5.2. 特征提取
校验者: @if only 翻译者: @片刻 模块 sklearn.feature_extraction 可用于提取符合机器学习算法支持的特征，比如文本和图片。 注意 特征特征提取与特征选择有很大的不同：前者...
# 1.3. 内核岭回归
校验者: @不吃曲奇的趣多多 @Loopy @qinhanmin2014 翻译者: @Counting stars 内核岭回归(Kernel ridge regression-KRR）[1] ...
# 5.3 预处理数据
校验者: @if only 翻译者: @Trembleguy sklearn.preprocessing 包提供了几个常见的实用功能和变换器类型，用来将原始特征向量更改为更适合机器学习模型的形式。 一般来说，...
# 5.4 缺失值插补
校验者: @if only 待二次校验 翻译者: @Trembleguy @Loopy 因为各种各样的原因，真实世界中的许多数据集都包含缺失数据，这类数据经常被编码成空格、NaNs，或者是其他...
# 5.5. 无监督降维
校验者: @程威 翻译者: @十四号 如果你的特征数量很多, 在监督步骤之前, 可以通过无监督的步骤来减少特征. 很多的 无监督学习 方法实现了一个名为 transform 的方法, 它可以用来降低维度. 下...
# 5.6. 随机投影
校验者: @FontTian @程威 翻译者: @Sehriff sklearn.random_projection 模块实现了一个简单且高效率的计算方式来减少数据维度，通过牺牲一定的精度（作...