目标检测
scikit-learn(sklearn)是机器学习中经典的专用库，涵盖了几乎所有主流机器学习算法，包括分类(Classfication)、聚类(Clustering)、回归(Regression)、降维(Dimensionality Reduction)等，还包括了特征提取，数据处理和模型评估者三大模块。 scikit-learn支持跨平台，功能强大。该项目于2007年作为Google的Code of Code夏季项目，并于2010年2月1日进行了首次公开发布。此后，经过约3个月的时间，在国际市场蓬勃发展，出现了多个繁荣的社区版本。 sklearn官方提供的文档 https://scikit-learn.org/stable/preface.html，其内容全面、简单易懂，使得初学者能够快速上手使用。
2019年@那伊抹微笑@片刻@mahaoyang等人已翻译过scikit-learn0.21.3，但如今scikit-learn0.22.1版本中的许多函数和内容已经有所更新，因此有必要对该官方文档再进行一次翻译。翻译过程中难免有所疏漏，如发现错误，希望大家指出，谢谢支持。
目录
第一章 scikit-learn 简介与安装
1.1 欢迎来到 scikit-learn
1.2 安装 scikit-learn
1.3 特定平台上安装sklearn的Cython扩展的说明
1.4 常见问题
第二章 scikit-learn 指南
2.1 scikit-learn 机器学习简介
2.2 科学数据处理统计学习指南
统计学习：scikit-learn 中的设置与估计器对象
监督学习：从高维数据中预测输出变量
模型选择：选择估计器及其参数
无监督学习：寻求数据的表示形式
把所有的东西集中在一起
寻求帮助
2.3 处理文本数据
2.4 选择合适的估计器
2.5 外部资源，视频和讲座
第三章 用户指南
3.1 监督学习
线性模型
线性和二次判别分析
核岭回归
支持向量机
随机梯度下降法
最近邻
高斯过程
交叉分解
朴素贝叶斯
决策树
集成方法
多类和多标签算法
特征选择
半监督学习
等式回归
概率校准
神经网络模型（有监督）
3.2 无监督学习
高斯混合模型
流形学习
聚类
双聚集
分解成分中的信号（矩阵分解问题）
协方差估计
新奇和异常点检测
密度估计
神经网络模型（无监督）
3.3 模型选择与评价
交叉验证：评估估计器性能
t调整估计器的超参数
指标和评分：量化预测的质量
模型持久化
验证曲线：绘制分数以评估模型
3.4 检查
部分相关图
排列特征的重要性
3.5 可视化效果
可用的绘图工具
3.6 数据集转换
管道和复合估计器
特征提取
数据预处理
缺失值的估算
无监督降维
随机投影
核近似
成对度量、仿射和核
转换预测目标（y）
3.7 数据集加载实用程序
通用数据集API
Toy 数据集
真实世界中的数据集
生成的数据集
加载其他数据集
3.8 使用scikit learn进行计算
计算扩展策略：大数据
计算性能
并行性、资源管理和配置
第四章 通用术语和API元素词汇表
第五章 示例
第六章 API参考
第七章 开发人员指南
sklearn 官方文档中文版
http://sklearn123.com/
人工智能电子书下载
书单包括：《Deep Learning with PyTorch》；《TensorFlow2.0深度学习》;清华李航《统计学习方法（第二版）》课件等。
http://pytorchchina.com
未经允许不得转载，请联系zhouas@hotmail.com获取授权：目标检测 » sklearn 官方文档中文版（0.22.1）
