Перейти к основному содержанию
Ctrl+K
scikit-learn homepage scikit-learn homepage
  • Установить
  • Руководство пользователя
  • API
  • Примеры
  • Сообщество
    • Начало работы
    • История выпусков
    • Глоссарий
    • Разработка
    • Часто задаваемые вопросы
    • Поддержка
    • Связанные проекты
    • Дорожная карта
    • Управление
    • О нас
  • GitHub
  • Установить
  • Руководство пользователя
  • API
  • Примеры
  • Сообщество
  • Начало работы
  • История выпусков
  • Глоссарий
  • Разработка
  • Часто задаваемые вопросы
  • Поддержка
  • Связанные проекты
  • Дорожная карта
  • Управление
  • О нас
  • GitHub

Навигация по разделам

  • 1. Обучение с учителем
    • 1.1. Линейные модели
    • 1.2. Линейный и квадратичный дискриминантный анализ
    • 1.6.7.1. Классификация
    • 1.4. Методы опорных векторов
    • 1.5. Стохастический градиентный спуск
    • 1.6. Ближайшие соседи
    • 1.7. Гауссовские процессы
    • 1.8. Перекрёстное разложение
    • 1.9. Наивный Байес
    • 1.10. Деревья решений
    • 1.11. Ансамбли: Градиентный бустинг, случайные леса, бэггинг, голосование, стекинг
    • 1.12. Многоклассовые и многовариантные алгоритмы
    • 1.13. Выбор признаков
    • 1.14. Полуконтролируемое обучение
    • 1.15. Изотоническая регрессия
    • 1.16. Вероятностная калибровка
    • 1.17. Модели нейронных сетей (с учителем)
  • 2. Обучение без учителя
    • 2.1. Гауссовские смеси моделей
    • 2.2. Обучение многообразий
    • 2.3. Кластеризация
    • 2.4. Бикластеризация
    • 2.5. Разложение сигналов на компоненты (проблемы матричной факторизации)
    • 2.6. Оценка ковариации
    • 2.7. Обнаружение новизны и выбросов
    • 2.8. Оценка плотности
    • 2.9. Модели нейронных сетей (без учителя)
  • 3. Выбор и оценка модели
    • 3.1. Кросс-валидация: оценка производительности оценщика
    • 3.2. Настройка гиперпараметров оценщика
    • 3.3. Настройка порога принятия решения для предсказания класса
    • 3.4. Метрики и оценка: количественная оценка качества предсказаний
    • 3.5. Кривые валидации: построение оценок для оценки моделей
  • Сгенерировать набор данных Swiss Roll.
  • 5. Инспекция
    • 5.1. Графики частичной зависимости и индивидуального условного ожидания
    • 5.2. Важность признаков на основе перестановок
  • 6. Визуализации
  • 7. Преобразования наборов данных
    • 7.1. Конвейеры и составные оценщики
    • 7.2. Извлечение признаков
    • 7.3. Предобработка данных
    • 7.4. Вменение пропущенных значений
    • 7.5. Неконтролируемое снижение размерности
    • 7.6. Случайное проецирование
    • 7.7. Аппроксимация ядра
    • 7.8. Парные метрики, сходства и ядра
    • 7.9. Преобразование целевой переменной предсказания (y)
  • 8. Утилиты загрузки наборов данных
    • 8.1. Игрушечные наборы данных
    • 8.2. Реальные наборы данных
    • 8.3. Сгенерированные наборы данных
    • 8.4. Загрузка других наборов данных
  • 9. Вычисления с scikit-learn
    • 9.1. Стратегии масштабирования вычислений: большие данные
    • 9.2. Вычислительная производительность
    • 9.3. Параллелизм, управление ресурсами и конфигурация
  • 10. Сохранение модели
  • 11. Распространенные ошибки и рекомендуемые практики
  • 12. Диспетчеризация
    • 12.1. Поддержка Array API (экспериментальная)
  • 13. Выбор подходящего оценщика
  • 14. Внешние ресурсы, видео и выступления
  • Руководство пользователя
  • 9. Вычисления с scikit-learn

9. Вычисления с scikit-learn#

  • 9.1. Стратегии масштабирования вычислений: большие данные
    • 9.1.1. Масштабирование с экземплярами с использованием обучения вне ядра
  • 9.2. Вычислительная производительность
    • 9.2.1. Задержка предсказания
    • 9.2.2. Пропускная способность предсказания
    • 9.2.3. Советы и хитрости
  • 9.3. Параллелизм, управление ресурсами и конфигурация
    • 9.3.1. Параллелизм
    • 9.3.2. Переключатели конфигурации

предыдущий

8.4. Загрузка других наборов данных

next

9.1. Стратегии масштабирования вычислений: большие данные

Эта страница

  • Показать исходный код

© Авторские права 2007 - 2025, разработчики scikit-learn (лицензия BSD).