Skip to main content
Ctrl+K
scikit-learn homepage scikit-learn homepage
  • Install
  • دليل المستخدم
  • API
  • Examples
  • Community
    • البدء
    • Release History
    • Glossary
    • Development
    • FAQ
    • الدعم الفني
    • مشاريع ذات علاقة
    • Roadmap
    • Governance
    • من نحن
  • GitHub
  • Install
  • دليل المستخدم
  • API
  • Examples
  • Community
  • البدء
  • Release History
  • Glossary
  • Development
  • FAQ
  • الدعم الفني
  • مشاريع ذات علاقة
  • Roadmap
  • Governance
  • من نحن
  • GitHub

Section Navigation

  • (المتشعب)التعلم المتعدد
    • 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)
    • 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-
    • 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
    • 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
    • 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
    • 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
    • Out-of-core classification of text documents
    • إزالة التشويش من الصور باستخدام PCA النواة
    • 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
    • هندسة الميزات ذات الصلة بالوقت
    • هيكلة سوق الأسهم المرئية
  • أمثلة مجموعات البيانات
    • رسم مجموعة بيانات متعددة التصنيفات مُولدة عشوائياً
  • إختيار الميزة
    • 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
    • "
    • 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
    • توليد البيانات
    • # التجميع التجميعي مع مقاييس مختلفة
    • # التجميع التجميعي مع وبغير بنية
    • 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
    • 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
    • التجميع الثنائي للمستندات باستخدام خوارزمية التجميع الطيفي المشترك
    • عرض توضيحي لخوارزمية التجميع الطيفي الثنائي
    • عرض توضيحي لخوارزمية التجميع الطيفي المشترك
  • التحلل المتقاطع
    • الانحدار باستخدام المكونات الرئيسية مقابل الانحدار باستخدام المربعات الجزئية
    • مقارنة طرق التحليل التفاضلي
  • التصنيف
    • Normal, Ledoit-Wolf and OAS Linear Discriminant Analysis for classification
    • التعرف على الأرقام المكتوبة بخط اليد
    • رسم احتمالية التصنيف
    • مقارنة المصنفات
    • توليد البيانات
  • الشبكات العصبية
    • تصور أوزان الشبكة العصبية متعددة الطبقات على مجموعة بيانات MNIST
    • تغيير معامل التنظيم في الشبكة العصبية متعددة الطبقات
    • مقارنة استراتيجيات التعلم العشوائي لتصنيف الشبكة العصبية متعددة الطبقات
    • ميزات شبكة بولتزمان المقيدة لتصنيف الأرقام
  • الطرق المتعددة الفئات
    • نظرة عامة على الميتا-مقدّرات التدريب متعدد التصنيفات
  • الطرق المتعددة المخرجات
    • التصنيف متعدد التصنيفات باستخدام سلسلة المصنفات
  • العمل مع المستندات النصية
    • تجميع مستندات النص باستخدام k-means
    • تصنيف وثائق النصوص باستخدام الميزات المتناثرة
    • مقارنة بين FeatureHasher و DictVectorizer
  • الفحص
    • أهمية التبديل مع الميزات متعددة الخطية أو المرتبطة
    • أهمية التبديل مقابل أهمية ميزة الغابة العشوائية (MDI)
    • المزالق الشائعة في تفسير معاملات النماذج الخطية
    • فشل التعلم الآلي في استنتاج الآثار السببية
    • مخططات التبعية الجزئية والتوقع الشرطي الفردي
  • المعالجة المسبقة للبيانات
    • أهمية معايرة الميزات
    • استخدام KBinsDiscretizer لتقسيم الخصائص المستمرة
    • الترميز الداخلي للهدف عبر الملاءمة
    • تجريد الميزات
    • تحويل البيانات إلى التوزيع الطبيعي
    • عرض استراتيجيات KBinsDiscretizer المختلفة
    • مقارنة تأثير المقياس المختلف على البيانات مع القيم الشاذة
    • مقارنة ترميز الهدف مع الترميزات الأخرى
  • النماذج الخطية المعممة
    • توليد بيانات توافقية مع الضوضاء
    • # مقارنة المنحنيات الخطية للانحدار البايزي
    • Lasso على البيانات الكثيفة والمتفرقة
    • One-Class SVM مقابل One-Class SVM باستخدام Stochastic Gradient Descent
    • SGD: العقوبات
    • SGD: العينات المرجحة
    • SGD: المستوى الفاصل ذو الهامش الأقصى
    • SGD: دالات الخسارة المقعرة
    • إيقاف مبكر لنزول التدرج العشوائي
    • اختيار نموذج لاصو عبر معايير المعلومات
    • الاختيار المشترك للميزات باستخدام Lasso متعدد المهام
    • الانحدار الخطي العادي وانحدار ريدج والتباين
    • الانحدار اللوجستي المتناثر متعدد الفئات على 20newgroups
    • التكامل متعدد الحدود والتقسيم
    • الدالة اللوغستية
    • انحدار بواسون والخسارة غير الطبيعية
    • انحدار تويدي على مطالبات التأمين
    • انحدار ثيل-سين
    • انحدار كمي
    • تصنيف MNIST باستخدام اللوغاريتم متعدد الحدود + L1
    • تقدير النموذج الخطي القوي باستخدام RANSAC
    • تقدير خطي قوي
    • تناسب شبكة مرنة مع مصفوفة جرام مسبقة الحساب وعينات مرجحة
    • حدود القرار للانحدار متعدد الحدود والانحدار اللوجستي من النوع واحد مقابل البقية
    • رسم متعدد الفئات SGD على مجموعة بيانات الزهرة
    • رسم معاملات Ridge كدالة للتنظيم
    • عقوبة L1 والندرة في الانحدار اللوجستي
    • مثال على المربعات الصغرى العادية
    • مربعات أقل غير سالبة
    • مسار التنظيم لـ L1 - الانحدار اللوجستي
    • مسارات لاصو ولاصو-لارس وشبكة مرنة
    • مطابقة متعامدة
    • معاملات Ridge كدالة لتنظيم L2
    • مقارنة بين HuberRegressor و Ridge على مجموعة بيانات تحتوي على قيم شاذة قوية
    • مقارنة بين المحللات المختلفة عبر الإنترنت
    • نماذج L1 للاشارات المتناثرة
    • نموذج لاصو: اختيار النموذج باستخدام معايير AIC-BIC والتحقق المتقاطع
  • تحليل التركيب
    • FastICA على سحب النقاط ثنائية الأبعاد
    • Kernel PCA
    • إزالة تشويش الصور باستخدام تعلم القاموس
    • اختيار النموذج باستخدام التحليل الرئيسي للمكونات الاحتمالي وتحليل العوامل (FA)
    • الترميز المتناثر مع قاموس محسوب مسبقًا
    • تحليل العوامل (مع الدوران) لتصور الأنماط
    • تحليل المكونات الرئيسية (PCA) على مجموعة بيانات Iris
    • تحليلات مجموعة بيانات الوجوه
    • فصل المصدر الأعمى باستخدام FastICA
    • مقارنة بين الإسقاط ثنائي الأبعاد للمجموعة البيانات آيريس باستخدام LDA وPCA
  • تطوير المقدرين
    • __sklearn_is_fitted__ كـ API للمطورين
  • تعويض القيم المفقودة
    • استنتاج القيم المفقودة قبل بناء أداة تقدير
    • استنتاج القيم المفقودة مع متغيرات من IterativeImputer
  • تقدير التغاير
    • تأثير تحويل الأهداف في نموذج الانحدار
    • تقدير Ledoit-Wolf مقابل OAS
    • تقدير التغاير القوي مقابل التجريبي
    • تقدير التغاير القوي وأهمية مسافات Mahalanobis
    • تقدير معكوس التغاير النادر
  • تقريب النواة
    • التعلم القابل للتطوير مع تقريب نواة متعددة الحدود
  • تمارين تعليمية
    • التحقق المتقاطع على تمرين مجموعة بيانات مرض السكري
    • تمرين SVM
    • تمرين تصنيف الأرقام
  • خطوط الأنابيب والمقدرين المركبين
    • اختيار تقليل الأبعاد باستخدام Pipeline و GridSearchCV
    • تأثير تحويل الأهداف في نموذج الانحدار
    • دمج طرق استخراج ميزات متعددة
    • ربط الأنابيب: ربط PCA والانحدار اللوجستي
    • محول الأعمدة مع الأنواع المختلطة
    • محول الأعمدة مع مصادر بيانات غير متجانسة
  • طرق المجموعة
    • أخطاء OOB لخوارزمية Random Forests
    • أهمية الميزات باستخدام غابة من الأشجار
    • إيقاف التدريب المبكر في Gradient Boosting
    • القيود الرتيبة
    • الميزات في أشجار التعزيز المتدرج للهيستوغرام
    • انحدار التعزيز المتدرج
    • انحدار شجرة القرار مع AdaBoost
    • تحويل الميزات باستخدام مجموعات الأشجار
    • تحويل ميزة التجزئة باستخدام الأشجار العشوائية تمامًا
    • تصنيف ثنائي باستخدام AdaBoost
    • تقديرات Gradient Boosting Out-of-Bag
    • تنظيم التعزيز المتدرج
    • دعم الميزات التصنيفية في التدرج التعزيزي
    • دمج المتنبئات باستخدام التكديس
    • رسم أسطح القرار لمجموعات الأشجار على مجموعة بيانات إيريس
    • رسم احتمالات الفئات المحسوبة بواسطة VotingClassifier
    • رسم تنبؤات الانحدار الفردية والتصويتية
    • رسم حدود القرار لـ VotingClassifier
    • شجرة قرارات معززة متعددة الفئات
    • فترات التنبؤ لانحدار التعزيز المتدرج
    • مثال IsolationForest
    • مقارنة الغابات العشوائية ومقدر المخرجات المتعددة التلوي
    • مقارنة بين المُقدر الفردي والتجميع: تحليل الانحياز والتشتت
    • مقارنة بين نماذج الغابات العشوائية ورفع التدرج بالرسم البياني
  • عملية غاوسية للتعلم الآلي
    • التنبؤ بمستوى ثاني أكسيد الكربون في مجموعة بيانات Mona Loa باستخدام انحدار العملية الغاوسية (GPR)
    • التنبؤات الاحتمالية مع تصنيف العملية الغاوسية (GPC)
    • العمليات الغاوسية على هياكل البيانات المنقوصة
    • انحدار العمليات الغاوسية: مثال تمهيدي أساسي
    • تصنيف العملية الغاوسية (GPC) على مجموعة بيانات iris
    • توضيح العملية الغاوسية المسبقة واللاحقة لنوى مختلفة
    • توضيح تصنيف العملية الغاوسية (GPC) على مجموعة بيانات XOR
    • خطوط تساوي الاحتمال لتصنيف العمليات الغاوسية (GPC)
    • قدرة انحدار العمليات الغاوسية (GPR) على تقدير مستوى ضوضاء البيانات
    • مقارنة انحدار kernel ridge وانحدار العمليات الغاوسية
  • متنوع
    • اكتمال الوجه باستخدام المُقدرات متعددة المخرجات
    • الانحدار الأيزوتوني
    • التصنيف متعدد التصنيفات
    • التصورات باستخدام كائنات العرض
    • الرسم المتقدم باستخدام الاعتمادية الجزئية
    • تقديم واجهة برمجة التطبيقات set_output
    • تقريب خريطة الميزات الصريحة لنواة RBF
    • تقييم خوارزميات كشف الشواذ
    • توجيه البيانات الوصفية
    • حدود جونسون-ليندستراوس للانغماس مع الإسقاطات العشوائية
    • عرض المنمذجات وأنابيب التوصيل المعقدة
    • عرض خطوط الأنابيب
    • مقارنة بين الانحدار النووي المنتظم والانحدار الداعم للمتجهات
    • مقارنة خوارزميات الكشف عن الشذوذ لكشف القيم المتطرفة في مجموعات بيانات تجريبية
    • منحنى ROC مع واجهة برمجة التطبيقات للتصور
  • معايرة الإحتمالات
    • معايرة احتمالات المصنفات
    • معايرة الاحتمالات لتصنيف ثلاثي الفئات
    • مقارنة معايرة المصنفات
    • منحنيات معايرة الاحتمالية
  • نماذج الخليط الجاوسي
    • اختيار نموذج المزيج الغاوسي
    • تحليل نوع أولوية التركيز لخوارزمية التباين بايزي غاوسي ميكسشر
    • تشتتات GMM
    • تقدير الكثافة لمزيج غاوسي
    • طرق تهيئة نماذج الخلط الغاوسي
    • نموذج الإهليجيات لمزيج غاوسي
    • نموذج مزيج غاوسي لمنحنى الجيب
  • Examples
  • تقريب النواة

تقريب النواة#

أمثلة تتعلق بوحدة sklearn.kernel_approximation .

التعلم القابل للتطوير مع تقريب نواة متعددة الحدود

التعلم القابل للتطوير مع تقريب نواة متعددة الحدود

السابق

تقدير معكوس التغاير النادر

التالي

التعلم القابل للتطوير مع تقريب نواة متعددة الحدود

© Copyright 2007 - 2024, scikit-learn developers (BSD License) ### Translate into Arabic Eng. Ahmed Almaghz - 2024.