Kiểm tra t bayesian python

Hướng dẫn sử dụng¶

  • 1. học có giám sát
    • 1. 1. Mô hình tuyến tính
      • 1. 1. 1. Bình phương nhỏ nhất
      • 1. 1. 2. Hồi quy và phân loại sườn
      • 1. 1. 3. dây cột ngựa
      • 1. 1. 4. Lasso đa tác vụ
      • 1. 1. 5. lưới đàn hồi
      • 1. 1. 6. Mạng đàn hồi đa tác vụ
      • 1. 1. 7. Hồi quy góc nhỏ nhất
      • 1. 1. 8. LARS Lasso
      • 1. 1. 9. Theo đuổi đối sánh trực giao (OMP)
      • 1. 1. 10. Hồi quy Bayes
      • 1. 1. 11. Hồi quy logistic
      • 1. 1. 12. Hồi quy tuyến tính tổng quát
      • 1. 1. 13. Độ dốc ngẫu nhiên - SGD
      • 1. 1. 14. tri giác
      • 1. 1. 15. Thuật toán tích cực thụ động
      • 1. 1. 16. hồi quy mạnh mẽ. ngoại lệ và lỗi mô hình
      • 1. 1. 17. hồi quy lượng tử
      • 1. 1. 18. hồi quy đa thức. mở rộng các mô hình tuyến tính với các hàm cơ sở
    • 1. 2. Phân tích phân biệt tuyến tính và bậc hai
      • 1. 2. 1. Giảm kích thước bằng cách sử dụng Phân tích phân biệt tuyến tính
      • 1. 2. 2. Công thức toán học của các bộ phân loại LDA và QDA
      • 1. 2. 3. Công thức toán học của việc giảm kích thước LDA
      • 1. 2. 4. Công cụ ước lượng co ngót và hiệp phương sai
      • 1. 2. 5. thuật toán ước tính
    • 1. 3. Hồi quy sườn hạt nhân
    • 1. 4. Hỗ trợ máy Vector
      • 1. 4. 1. phân loại
      • 1. 4. 2. hồi quy
      • 1. 4. 3. Ước tính mật độ, phát hiện tính mới
      • 1. 4. 4. phức tạp
      • 1. 4. 5. Mẹo sử dụng thực tế
      • 1. 4. 6. chức năng hạt nhân
      • 1. 4. 7. công thức toán học
      • 1. 4. 8. Chi tiết triển khai
    • 1. 5. Độ dốc ngẫu nhiên
      • 1. 5. 1. phân loại
      • 1. 5. 2. hồi quy
      • 1. 5. 3. SVM một lớp trực tuyến
      • 1. 5. 4. Stochastic Gradient Descent cho dữ liệu thưa thớt
      • 1. 5. 5. phức tạp
      • 1. 5. 6. tiêu chí dừng
      • 1. 5. 7. Mẹo sử dụng thực tế
      • 1. 5. 8. công thức toán học
      • 1. 5. 9. Chi tiết triển khai
    • 1. 6. hàng xóm gần nhất
      • 1. 6. 1. Hàng xóm gần nhất không được giám sát
      • 1. 6. 2. Phân loại hàng xóm gần nhất
      • 1. 6. 3. Hồi quy hàng xóm gần nhất
      • 1. 6. 4. Thuật toán láng giềng gần nhất
      • 1. 6. 5. Trình phân loại Centroid gần nhất
      • 1. 6. 6. Máy biến áp hàng xóm gần nhất
      • 1. 6. 7. Phân tích thành phần lân cận
    • 1. 7. Quá trình Gaussian
      • 1. 7. 1. Hồi quy quá trình Gaussian (GPR)
      • 1. 7. 2. Ví dụ về GPR
      • 1. 7. 3. Phân loại quy trình Gaussian (GPC)
      • 1. 7. 4. Ví dụ về GPC
      • 1. 7. 5. Hạt nhân cho quy trình Gaussian
    • 1. 8. phân hủy chéo
      • 1. 8. 1. PLSCanonical
      • 1. 8. 2. PLSSVD
      • 1. 8. 3. XIN hồi quy
      • 1. 8. 4. Phân tích tương quan Canonical
    • 1. 9. Naive Bayes
      • 1. 9. 1. Gaussian Naive Bayes
      • 1. 9. 2. Naive Bayes đa thức
      • 1. 9. 3. Bổ sung Naive Bayes
      • 1. 9. 4. Bernoulli Naive Bayes
      • 1. 9. 5. Phân loại Naive Bayes
      • 1. 9. 6. Phù hợp với mô hình Bayes ngây thơ ngoài cốt lõi
    • 1. 10. Cây quyết định
      • 1. 10. 1. phân loại
      • 1. 10. 2. hồi quy
      • 1. 10. 3. Vấn đề đa đầu ra
      • 1. 10. 4. phức tạp
      • 1. 10. 5. Lời khuyên về sử dụng thực tế
      • 1. 10. 6. thuật toán cây. ID3, C4. 5, C5. 0 và GIỎ HÀNG
      • 1. 10. 7. công thức toán học
      • 1. 10. 8. Cắt tỉa chi phí tối thiểu-phức tạp
    • 1. 11. phương pháp tập hợp
      • 1. 11. 1. Công cụ ước tính meta đóng gói
      • 1. 11. 2. Rừng cây ngẫu nhiên
      • 1. 11. 3. AdaBoost
      • 1. 11. 4. Tăng cường cây Gradient
      • 1. 11. 5. Tăng cường độ dốc dựa trên biểu đồ
      • 1. 11. 6. Phân loại bỏ phiếu
      • 1. 11. 7. biểu quyết hồi quy
      • 1. 11. 8. tổng quát hóa xếp chồng lên nhau
    • 1. 12. Thuật toán đa lớp và đa đầu ra
      • 1. 12. 1. phân loại nhiều lớp
      • 1. 12. 2. phân loại đa nhãn
      • 1. 12. 3. Phân loại đa lớp-đa đầu ra
      • 1. 12. 4. hồi quy đa đầu ra
    • 1. 13. lựa chọn tính năng
      • 1. 13. 1. Xóa các tính năng có phương sai thấp
      • 1. 13. 2. Lựa chọn tính năng đơn biến
      • 1. 13. 3. Loại bỏ tính năng đệ quy
      • 1. 13. 4. Lựa chọn tính năng bằng SelectFromModel
      • 1. 13. 5. Lựa chọn tính năng tuần tự
      • 1. 13. 6. Lựa chọn tính năng như một phần của đường ống
    • 1. 14. Học bán giám sát
      • 1. 14. 1. Tự đào tạo
      • 1. 14. 2. Tuyên truyền nhãn
    • 1. 15. Hồi quy đẳng trương
    • 1. 16. hiệu chuẩn xác suất
      • 1. 16. 1. Đường cong hiệu chuẩn
      • 1. 16. 2. Hiệu chỉnh bộ phân loại
      • 1. 16. 3. Cách sử dụng
    • 1. 17. Mô hình mạng lưới thần kinh (được giám sát)
      • 1. 17. 1. Perceptron nhiều lớp
      • 1. 17. 2. phân loại
      • 1. 17. 3. hồi quy
      • 1. 17. 4. Chính quy
      • 1. 17. 5. thuật toán
      • 1. 17. 6. phức tạp
      • 1. 17. 7. công thức toán học
      • 1. 17. 8. Mẹo sử dụng thực tế
      • 1. 17. 9. Kiểm soát nhiều hơn với warm_start
  • 2. học không giám sát
    • 2. 1. Mô hình hỗn hợp Gaussian
      • 2. 1. 1. Hỗn hợp Gaussian
      • 2. 1. 2. Biến thể hỗn hợp Bayesian Gaussian
    • 2. 2. học tập đa dạng
      • 2. 2. 1. Giới thiệu
      • 2. 2. 2. đẳng đồ
      • 2. 2. 3. Nhúng tuyến tính cục bộ
      • 2. 2. 4. Sửa đổi nhúng tuyến tính cục bộ
      • 2. 2. 5. Bản đồ riêng Hessian
      • 2. 2. 6. Nhúng quang phổ
      • 2. 2. 7. Sắp xếp không gian tiếp tuyến cục bộ
      • 2. 2. 8. Chia tỷ lệ đa chiều (MDS)
      • 2. 2. 9. Nhúng hàng xóm ngẫu nhiên phân tán t (t-SNE)
      • 2. 2. 10. Lời khuyên về sử dụng thực tế
    • 2. 3. phân cụm
      • 2. 3. 1. Tổng quan về các phương pháp phân cụm
      • 2. 3. 2. K-có nghĩa là
      • 2. 3. 3. Tuyên truyền mối quan hệ
      • 2. 3. 4. trung bình thay đổi
      • 2. 3. 5. phân cụm quang phổ
      • 2. 3. 6. phân cụm theo thứ bậc
      • 2. 3. 7. DBSCAN
      • 2. 3. 8. QUANG HỌC
      • 2. 3. 9. BẠCH DƯƠNG
      • 2. 3. 10. Đánh giá hiệu suất phân cụm
    • 2. 4. phân cụm
      • 2. 4. 1. Phân cụm quang phổ
      • 2. 4. 2. Phân cụm quang phổ
      • 2. 4. 3. đánh giá phân cụm
    • 2. 5. Phân tách tín hiệu trong các thành phần (vấn đề nhân tố ma trận)
      • 2. 5. 1. Phân tích thành phần chính (PCA)
      • 2. 5. 2. Phân tích thành phần chính hạt nhân (kPCA)
      • 2. 5. 3. Phân tách giá trị số ít bị cắt ngắn và phân tích ngữ nghĩa tiềm ẩn
      • 2. 5. 4. Học từ điển
      • 2. 5. 5. Phân tích nhân tố
      • 2. 5. 6. Phân tích thành phần độc lập (ICA)
      • 2. 5. 7. Hệ số ma trận không âm (NMF hoặc NNMF)
      • 2. 5. 8. Phân bổ Dirichlet tiềm ẩn (LDA)
    • 2. 6. ước lượng hiệp phương sai
      • 2. 6. 1. hiệp phương sai thực nghiệm
      • 2. 6. 2. Thu hẹp hiệp phương sai
      • 2. 6. 3. Hiệp phương sai nghịch đảo thưa thớt
      • 2. 6. 4. Ước tính hiệp phương sai mạnh mẽ
    • 2. 7. Phát hiện mới lạ và ngoại lệ
      • 2. 7. 1. Tổng quan về các phương pháp phát hiện ngoại lệ
      • 2. 7. 2. Phát hiện mới lạ
      • 2. 7. 3. Phát hiện ngoại vi
      • 2. 7. 4. Phát hiện tính mới với Hệ số ngoại lệ cục bộ
    • 2. 8. Ước tính mật độ
      • 2. 8. 1. Ước tính mật độ. biểu đồ
      • 2. 8. 2. Ước tính mật độ hạt nhân
    • 2. 9. Mô hình mạng thần kinh (không giám sát)
      • 2. 9. 1. Máy Boltzmann bị hạn chế
  • 3. Lựa chọn và đánh giá mô hình
    • 3. 1. xác thực chéo. đánh giá hiệu suất của công cụ ước tính
      • 3. 1. 1. Tính toán các chỉ số được xác thực chéo
      • 3. 1. 2. Trình lặp xác thực chéo
      • 3. 1. 3. Một lưu ý về xáo trộn
      • 3. 1. 4. Xác thực chéo và lựa chọn mô hình
      • 3. 1. 5. Điểm kiểm tra hoán vị
    • 3. 2. Điều chỉnh các siêu tham số của một công cụ ước tính
      • 3. 2. 1. Tìm kiếm lưới toàn diện
      • 3. 2. 2. Tối ưu hóa tham số ngẫu nhiên
      • 3. 2. 3. Tìm kiếm các thông số tối ưu với halving liên tiếp
      • 3. 2. 4. Mẹo tìm kiếm tham số
      • 3. 2. 5. Các lựa chọn thay thế cho tìm kiếm tham số brute force
    • 3. 3. Số liệu và chấm điểm. Định lượng chất lượng dự báo
      • 3. 3. 1. Tham số scoring. xác định quy tắc đánh giá mô hình
      • 3. 3. 2. số liệu phân loại
      • 3. 3. 3. Chỉ số xếp hạng nhiều nhãn
      • 3. 3. 4. số liệu hồi quy
      • 3. 3. 5. Số liệu phân cụm
      • 3. 3. 6. ước tính giả
    • 3. 4. đường cong xác nhận. vẽ điểm số để đánh giá các mô hình
      • 3. 4. 1. đường cong xác nhận
      • 3. 4. 2. Đường cong học tập
  • 4. Điều tra
    • 4. 1. Biểu đồ phụ thuộc một phần và kỳ vọng có điều kiện cá nhân
      • 4. 1. 1. sơ đồ phụ thuộc một phần
      • 4. 1. 2. Biểu đồ kỳ vọng có điều kiện cá nhân (ICE)
      • 4. 1. 3. định nghĩa toán học
      • 4. 1. 4. phương pháp tính toán
    • 4. 2. Tầm quan trọng của tính năng hoán vị
      • 4. 2. 1. Phác thảo của thuật toán tầm quan trọng hoán vị
      • 4. 2. 2. Liên quan đến tầm quan trọng dựa trên tạp chất trong cây
      • 4. 2. 3. Giá trị sai lệch trên các tính năng tương quan mạnh
  • 5. trực quan
    • 5. 1. Tiện ích vẽ sơ đồ có sẵn
      • 5. 1. 1. Chức năng
      • 5. 1. 2. Hiển thị đối tượng
  • 6. Chuyển đổi tập dữ liệu
    • 6. 1. Đường ống và công cụ ước tính tổng hợp
      • 6. 1. 1. đường ống. chuỗi ước tính
      • 6. 1. 2. Chuyển đổi mục tiêu trong hồi quy
      • 6. 1. 3. Tính năngUnion. không gian đặc trưng tổng hợp
      • 6. 1. 4. ColumnTransformer cho dữ liệu không đồng nhất
      • 6. 1. 5. Trực quan hóa công cụ ước tính tổng hợp
    • 6. 2. Khai thác tính năng
      • 6. 2. 1. Đang tải các tính năng từ dicts
      • 6. 2. 2. tính năng băm
      • 6. 2. 3. Khai thác tính năng văn bản
      • 6. 2. 4. Khai thác tính năng hình ảnh
    • 6. 3. tiền xử lý dữ liệu
      • 6. 3. 1. Tiêu chuẩn hóa, hoặc loại bỏ trung bình và nhân rộng phương sai
      • 6. 3. 2. chuyển đổi phi tuyến tính
      • 6. 3. 3. bình thường hóa
      • 6. 3. 4. Mã hóa các tính năng phân loại
      • 6. 3. 5. rời rạc
      • 6. 3. 6. Quy nạp các giá trị còn thiếu
      • 6. 3. 7. Tạo các tính năng đa thức
      • 6. 3. 8. máy biến áp tùy chỉnh
    • 6. 4. Quy nạp các giá trị còn thiếu
      • 6. 4. 1. Đơn biến so với. quy nạp đa biến
      • 6. 4. 2. Tính năng đơn biến
      • 6. 4. 3. Tính năng đa biến
      • 6. 4. 4. Người giới thiệu
      • 6. 4. 5. gán ghép hàng xóm gần nhất
      • 6. 4. 6. Đánh dấu các giá trị quy nạp
      • 6. 4. 7. Công cụ ước tính xử lý các giá trị NaN
    • 6. 5. Giảm kích thước không giám sát
      • 6. 5. 1. PCA. phân tích thành phần chính
      • 6. 5. 2. phép chiếu ngẫu nhiên
      • 6. 5. 3. tích tụ tính năng
    • 6. 6. Phép chiếu ngẫu nhiên
      • 6. 6. 1. Bổ đề Johnson-Lindenstrauss
      • 6. 6. 2. Phép chiếu ngẫu nhiên Gaussian
      • 6. 6. 3. Phép chiếu ngẫu nhiên thưa thớt
      • 6. 6. 4. biến đổi nghịch đảo
    • 6. 7. Xấp xỉ hạt nhân
      • 6. 7. 1. Phương pháp Nystroem để xấp xỉ hạt nhân
      • 6. 7. 2. Hạt nhân chức năng cơ sở xuyên tâm
      • 6. 7. 3. Hạt nhân bình phương Chi phụ gia
      • 6. 7. 4. Skewed Chi Squared Kernel
      • 6. 7. 5. Xấp xỉ hạt nhân đa thức thông qua Tensor Sketch
      • 6. 7. 6. chi tiết toán học
    • 6. 8. Số liệu theo cặp, Mối quan hệ và Hạt nhân
      • 6. 8. 1. độ đồng dạng cosin
      • 6. 8. 2. nhân tuyến tính
      • 6. 8. 3. nhân đa thức
      • 6. 8. 4. nhân sigmoid
      • 6. 8. 5. hạt nhân RBF
      • 6. 8. 6. nhân Laplacian
      • 6. 8. 7. hạt nhân Chi bình phương
    • 6. 9. Biến đổi mục tiêu dự đoán (y)
      • 6. 9. 1. nhị phân hóa nhãn
      • 6. 9. 2. mã hóa nhãn
  • 7. Tiện ích tải tập dữ liệu
    • 7. 1. bộ dữ liệu đồ chơi
      • 7. 1. 1. Bộ dữ liệu giá nhà ở Boston
      • 7. 1. 2. Bộ dữ liệu cây Iris
      • 7. 1. 3. bộ dữ liệu bệnh tiểu đường
      • 7. 1. 4. Nhận dạng quang học của bộ dữ liệu chữ số viết tay
      • 7. 1. 5. tập dữ liệu Linnerrud
      • 7. 1. 6. Bộ dữ liệu nhận dạng rượu vang
      • 7. 1. 7. Bộ dữ liệu wisconsin (chẩn đoán) ung thư vú
    • 7. 2. Bộ dữ liệu thế giới thực
      • 7. 2. 1. Bộ dữ liệu khuôn mặt Olivetti
      • 7. 2. 2. Bộ dữ liệu văn bản 20 nhóm tin
      • 7. 2. 3. Bộ dữ liệu nhận dạng khuôn mặt Wild Faces in the Wild
      • 7. 2. 4. kiểu che phủ rừng
      • 7. 2. 5. Bộ dữ liệu RCV1
      • 7. 2. 6. Bộ dữ liệu Kddcup 99
      • 7. 2. 7. Bộ dữ liệu Nhà ở California
    • 7. 3. bộ dữ liệu được tạo
      • 7. 3. 1. Trình tạo để phân loại và phân cụm
      • 7. 3. 2. Trình tạo hồi quy
      • 7. 3. 3. Máy phát điện cho học tập đa dạng
      • 7. 3. 4. Máy phát điện để phân hủy
    • 7. 4. Đang tải các bộ dữ liệu khác
      • 7. 4. 1. hình ảnh mẫu
      • 7. 4. 2. Bộ dữ liệu ở định dạng svmlight/libsvm
      • 7. 4. 3. Tải xuống bộ dữ liệu từ openml. kho lưu trữ tổ chức
      • 7. 4. 4. Đang tải từ bộ dữ liệu bên ngoài
  • 8. Tính toán với scikit-learning
    • 8. 1. Các chiến lược để mở rộng quy mô tính toán. dữ liệu lớn hơn
      • 8. 1. 1. Mở rộng quy mô với các phiên bản sử dụng phương pháp học tập ngoài lõi
    • 8. 2. Hiệu suất tính toán
      • 8. 2. 1. Độ trễ dự đoán
      • 8. 2. 2. Thông lượng dự đoán
      • 8. 2. 3. Các mẹo và thủ thuật
    • 8. 3. Xử lý song song, quản lý tài nguyên và cấu hình
      • 8. 3. 1. song song
      • 8. 3. 2. Công tắc cấu hình
  • 9. Sự kiên trì của người mẫu
    • 9. 1. Tuần tự hóa cụ thể của Python
      • 9. 1. 1. Giới hạn về bảo mật và khả năng bảo trì
    • 9. 2. Định dạng có thể tương tác
  • 10. Những cạm bẫy phổ biến và thực tiễn được khuyến nghị
    • 10. 1. tiền xử lý không nhất quán
    • 10. 2. Rò rỉ dữ liệu
      • 10. 2. 1. Rò rỉ dữ liệu trong quá trình tiền xử lý
      • 10. 2. 2. Cách tránh rò rỉ dữ liệu
    • 10. 3. Controlling randomness
      • 10. 3. 1. Sử dụng các phiên bản None hoặc RandomState và lặp lại các cuộc gọi tới fitsplit
      • 10. 3. 2. Những cạm bẫy và sự tinh tế phổ biến
      • 10. 3. 3. Khuyến nghị chung