scikit-learn 0.21.3 官方文档中文版
首页 白天 夜间 BookChat 小程序 小程序 下载 阅读记录
  • 书签 我的书签
  • 添加书签 添加书签 移除书签 移除书签

1.15. 等式回归

来源 豆包AI助手 浏览 3 扫码 打印 2026-10-22 10:08:54

1.15. 等式回归

校验者: @STAN,废柴0.1翻译者: @Damon

IsotonicRegression 类对数据进行非降函数拟合. 它解决了如下的问题:

  • 最小化

  • 服从于

其中每一个 是 strictly 正数而且每个 是任意实 数. 它生成一个由平方误差接近的不减元素组成的向量.实际上这一些元素形成 一个分段线性的函数.


我们一直在努力

apachecn/sklearn-doc-zh

上一篇:
下一篇:
  • 书签
  • 添加书签 移除书签
  • 介绍
  • 安装 scikit-learn
  • 1. 监督学习
    • 1.1. 广义线性模型
    • 1.2. 线性和二次判别分析
    • 1.3. 内核岭回归
    • 1.4. 支持向量机
    • 1.5. 随机梯度下降
    • 1.6. 最近邻
    • 1.7. 高斯过程
    • 1.8. 交叉分解
    • 1.9. 朴素贝叶斯
    • 1.10. 决策树
    • 1.11. 集成方法
    • 1.12. 多类和多标签算法
    • 1.13. 特征选择
    • 1.14. 半监督学习
    • 1.15. 等式回归
    • 1.16. 概率校准
    • 1.17. 神经网络模型(有监督)
  • 2. 无监督学习
    • 2.1. 高斯混合模型
    • 2.2. 流形学习
    • 2.3. 聚类
    • 2.4. 双聚类
    • 2.5. 分解成分中的信号(矩阵分解问题)
    • 2.6. 协方差估计
    • 2.7. 新奇和异常值检测
    • 2.8. 密度估计
    • 2.9. 神经网络模型(无监督)
  • 3. 模型选择和评估
    • 3.1. 交叉验证:评估估算器的表现
    • 3.2. 调整估计器的超参数
    • 3.3. 模型评估: 量化预测的质量
    • 3.4. 模型持久化
    • 3.5. 验证曲线: 绘制分数以评估模型
  • 4. 检验
    • 4.1. 部分依赖图
  • 5. 数据集转换
    • 5.1. Pipeline(管道)和 FeatureUnion(特征联合): 合并的评估器
    • 5.2. 特征提取
    • 5.3 预处理数据
    • 5.4 缺失值插补
    • 5.5. 无监督降维
    • 5.6. 随机投影
    • 5.7. 内核近似
    • 5.8. 成对的矩阵, 类别和核函数
    • 5.9. 预测目标 (y) 的转换
  • 教程
    • 使用 scikit-learn 介绍机器学习
    • 关于科学数据处理的统计学习教程
      • 机器学习: scikit-learn 中的设置以及预估对象
      • 监督学习:从高维观察预测输出变量
      • 模型选择:选择估计量及其参数
      • 无监督学习: 寻求数据表示
      • 把它们放在一起
      • 寻求帮助
    • 处理文本数据
    • 选择正确的评估器(estimator.md)
    • 外部资源,视频和谈话
  • 常见问题
  • 时光轴
暂无相关搜索结果!

    本文档使用 WanXiangYunDang 构建

    展开/收起文章目录

    思维导图备注

    文章二维码

    手机扫一扫,轻松掌上读

    文档下载

    请下载您需要的格式的文档,随时随地,享受汲取知识的乐趣!
    PDF文档 EPUB文档 MOBI文档

    微信小程序阅读

    BookChat 微信小程序阅读
    微信扫一扫,知识掌上学

    书签列表

      阅读记录

      阅读进度: 0.00% ( 0/0 ) 重置阅读进度