Examples#

This is the gallery of examples that showcase how scikit-learn can be used. Some examples demonstrate the use of the API in general and some demonstrate specific applications in tutorial form. Also check out our user guide for more detailed illustrations.

(المتشعب)التعلم المتعدد#

أمثلة متعلقة بوحدة sklearn.manifold .

t-SNE: تأثير قيم الحيرة المختلفة على الشكل

القياس متعدد الأبعاد

تعلم متعدد الشعب على الأرقام المكتوبة بخط اليد: التضمين الخطي المحلي، Isomap...

خفض اللفافة السويسرية واللفافة السويسرية ذات الثقب

طرق تعلم متعدد الشعب على كرة مقطوعة

مقارنة طرق تعلم متعدد الشعب

Support Vector Machines (SVM)#

أمثلة تتعلق بوحدة sklearn.svm .

One-class SVM with non-linear kernel (RBF)

SVM مع نواة مخصصة

SVM-Anova: SVM مع اختيار الميزات أحادية المتغير

SVM: العينات ذات الأوزان

SVM: المستوى الفاصل ذو الهامش الأقصى

SVM: المستوي الفاصل للطبقات غير المتوازنة

دعم نموذج الانحدار باستخدام نواة خطية وغير خطية

رسم المتجهات الداعمة في LinearSVC

رسم حدود التصنيف مع نوى SVM مختلفة

رسم مخططات لمصنفات SVM المختلفة في مجموعة بيانات الزهرة

ضبط معامل الانتظام لخوارزمية SVC

مثال على كسر التعادل في SVM

مثال على هوامش SVM

معاملات SVM ذات الدالة الشعاعية الأساسية

أشجار القرار-#

أمثلة تتعلق بوحدة sklearn.tree.

انحدار شجرة القرار

تشذيب أشجار القرار بعد التدريب باستخدام تقنية تشذيب تعقيد التكلفة

رسم سطح القرار لأشجار القرار المدربة على مجموعة بيانات الزهرة الآرغوانية

فهم بنية شجرة القرار

أبرز ما جاء في الإصدار#

توضح هذه الأمثلة الميزات الرئيسية لإصدارات scikit-learn.

أبرز الميزات الجديدة في الإصدار 1.5 من scikit-learn

أبرز ميزات الإصدار 1.4 من scikit-learn

أبرز ميزات الإصدار 1.3 من scikit-learn

أبرز ميزات الإصدار 1.2 من scikit-learn

أبرز الميزات الجديدة في إصدار scikit-learn 1.1

أبرز ميزات الإصدار 1.0 من scikit-learn

أبرز ميزات الإصدار 0.24 من scikit-learn

أبرز الميزات الجديدة في إصدار scikit-learn 0.23

أبرز ميزات الإصدار 0.22 من scikit-learn

Semi Supervised Classification#

Examples concerning the sklearn.semi_supervised module.

التصنيف شبه المُشرف على مجموعة بيانات نصية

تأثير تغيير العتبة في التدريب الذاتي

تعلم انتشار العلامات لهيكل معقد

حدود القرار للمصنفات شبه المُشرفة مقابل SVM على مجموعة بيانات Iris

نشر التسمية للأرقام باستخدام التعلم النشط

نشر العلامات على الأرقام: توضيح الأداء

أقرب الجيران#

أمثلة تتعلق بوحدة sklearn.neighbors .

أقرب النقاط المجاورة التقريبية في TSNE

أقرب جيران الانحدار

الاحتفاظ بأقرب الجيران في الذاكرة المؤقتة

الحد من الأبعاد باستخدام تحليل مكونات الجوار

الكشف عن البيانات الشاذة باستخدام عامل الانحراف المحلي (LOF)

الكشف عن القيم الشاذة باستخدام عامل الانحراف المحلي (LOF)

تصنيف أقرب الجيران

تصنيف أقرب مركز

تقدير كثافة النواة

تقدير كثافة النواة البسيطة أحادية البعد

تقدير كثافة النواة لتوزيع الأنواع

توضيح تحليل مكونات الأحياء المجاورة

مقارنة أقرب الجيران مع وبدون تحليل مكونات الحي

أمثلة مبنية على مجموعات بيانات من العالم الحقيقي#

تطبيقات على مشاكل العالم الحقيقي مع مجموعات بيانات متوسطة الحجم أو واجهة مستخدم تفاعلية.

Out-of-core classification of text documents

إزالة التشويش من الصور باستخدام PCA النواة

sphx_glr_auto_examples_applications_plot_topics_extraction_with_nmf_lda.py

استخراج الموضوعات باستخدام تحليل المصفوفات غير السالبة وتخصيص ديريتشليت الكامن

الكشف عن القيم الشاذة في مجموعة بيانات حقيقية

المتجه الذاتي الرئيسي لويكيبيديا

الميزات المتأخرة للتنبؤ بالسلاسل الزمنية

تأثير تعقيد النموذج

تأخير التنبؤ

مثال على التعرف على الوجوه باستخدام الوجوه المميزة وآلات المتجهات الداعمة

نمذجة توزيع الأنواع

sphx_glr_auto_examples_applications_plot_tomography_l1_reconstruction.py

هذا مثال يوضح إعادة بناء صورة من مجموعة من الإسقاطات المتوازية، والتي تم الحصول عليها على طول زوايا مختلفة. يتم الحصول على مثل هذه البيانات في التصوير المقطعي المحوسب (CT).

هندسة الميزات ذات الصلة بالوقت

هيكلة سوق الأسهم المرئية

أمثلة مجموعات البيانات#

أمثلة تتعلق بوحدة sklearn.datasets .

رسم مجموعة بيانات متعددة التصنيفات مُولدة عشوائياً

إختيار الميزة#

أمثلة تتعلق بوحدة sklearn.feature_selection.

Model-based and sequential feature selection

Pipeline ANOVA SVM

إزالة الميزات المتكررة باستخدام التحقق المتبادل

إزالة الميزة المتكررة

اختيار الميزة أحادية المتغير

مقارنة بين اختبار F والمعلومات المتبادلة

إختيار النموذج#

أمثلة تتعلق بوحدة sklearn.model_selection .

"

استراتيجية إعادة الضبط المخصصة للبحث الشبكي مع التحقق المتقاطع

التصنيف المتداخل مقابل غير المتداخل

المقارنة الإحصائية للنماذج باستخدام البحث الشبكي

الموازنة بين تعقيد النموذج ودرجة الدقة عبر التحقق المتقاطع

تأثير تنظيم النموذج على خطأ التدريب والاختبار

تصور سلوك التحقق المتقاطع في سكايلرن

توضيح التقييم متعدد المقاييس على cross_val_score و GridSearchCV

دقة-استدعاء

رسم تنبؤات الصندوق الأسود

رسم منحنيات التعلم وفحص قابلية التوسع للنماذج

ضبط عتبة القرار للتعلم الحساس للتكلفة

ضبط نقطة القطع لوظيفة القرار بعد التدريب

عدم الملاءمة مقابل الإفراط في الملاءمة

عمليات التقسيم المتتالية

مثال على خط أنابيب لاستخراج ميزات النص وتقييمها

مصفوفة الارتباك

مقارنة البحث العشوائي والبحث الشبكي لتقدير فرط المعلمات

مقارنة بين البحث الشبكي وتقليص الخيارات المتتابع

منحنى استقبال التشغيل متعدد الفئات (ROC)

منحنى الخطأ الكشف (DET)

منحنى المستقبل التشغيلي (ROC) مع التحقق المتقاطع

نسب الاحتمال الطبقي لقياس أداء التصنيف

التجميع#

أمثلة تتعلق بوحدة sklearn.cluster .

sphx_glr_auto_examples_cluster_plot_segmentation_toy.py

# ===========================================

# التجميع التجميعي مع مقاييس مختلفة

# التجميع التجميعي مع وبغير بنية

sphx_glr_auto_examples_cluster_plot_feature_agglomeration_vs_univariate_selection.py

# مقارنة بين تجميع الميزات والاختيار أحادي المتغير

التصنيف الاستقرائي

العنقدة الهرمية: العنقدة المنظمة وغير المنظمة

تجميع الميزات

تحليل السيلويت لتحديد عدد التجمعات في التجميع التجميعي KMeans

تطبيق خوارزمية k-means على مجموعة البيانات digits

تعديل الفرصة في تقييم أداء التجميع

تعلم القاموس عبر الإنترنت لأجزاء الوجوه

تقييم تجريبي لتأثير تهيئة k-means

تم تقسيم صورة العملات اليونانية إلى مناطق

توضيح افتراضات خوارزمية كاي-مينز

رسم مخطط شجرة التجميع الهرمي

عرض توضيحي لتجميع هرمي منظم على صورة عملات معدنية

عرض توضيحي لخوارزمية التجميع DBSCAN

عرض توضيحي لخوارزمية التجميع HDBSCAN

عرض توضيحي لخوارزمية التجميع OPTICS

عرض توضيحي لخوارزمية التجميع متوسط التحول

عرض توضيحي لخوارزمية تجميع انتشار الانتماء

مثال على التهيئة K-Means++

مثال على تكميم المتجهات

مختلف خوارزميات التجميع الهرمي على تضمين ثنائي الأبعاد لمجموعة بيانات الأرقام

sphx_glr_auto_examples_cluster_plot_bisect_kmeans.py

مقارنة الأداء بين خوارزمية K-Means العادية وخوارزمية Bisecting K-Means

مقارنة بين BIRCH و MiniBatchKMeans

مقارنة خوارزميات التجميع K-Means و MiniBatchKMeans

مقارنة خوارزميات التجميع المختلفة على مجموعات البيانات التجريبية

مقارنة طرق الربط الهرمي المختلفة على مجموعات بيانات تجريبية

التجميع الثنائي#

أمثلة تتعلق بتقنيات التجميع الثنائي.

التجميع الثنائي للمستندات باستخدام خوارزمية التجميع الطيفي المشترك

عرض توضيحي لخوارزمية التجميع الطيفي الثنائي

عرض توضيحي لخوارزمية التجميع الطيفي المشترك

التحلل المتقاطع#

أمثلة تتعلق بوحدة sklearn.cross_decomposition .

الانحدار باستخدام المكونات الرئيسية مقابل الانحدار باستخدام المربعات الجزئية

مقارنة طرق التحليل التفاضلي

التصنيف#

أمثلة عامة حول خوارزميات التصنيف

Normal, Ledoit-Wolf and OAS Linear Discriminant Analysis for classification

التعرف على الأرقام المكتوبة بخط اليد

رسم احتمالية التصنيف

مقارنة المصنفات

sphx_glr_auto_examples_classification_plot_lda_qda.py

هذا مثال لرسم حدود التمييز والقطع الناقص لتشتت كل فئة، والتي تم تعلمها بواسطة LinearDiscriminantAnalysis (LDA) و QuadraticDiscriminantAnalysis (QDA). يُظهر القطع الناقص الانحراف المعياري المزدوج لكل فئة. مع LDA، يكون الانحراف المعياري هو نفسه لجميع الفئات، في حين أن لكل فئة انحرافها المعياري الخاص بها مع QDA.