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
  • التحلل المتقاطع

التحلل المتقاطع#

أمثلة تتعلق بوحدة sklearn.cross_decomposition .

الانحدار باستخدام المكونات الرئيسية مقابل الانحدار باستخدام المربعات الجزئية

الانحدار باستخدام المكونات الرئيسية مقابل الانحدار باستخدام المربعات الجزئية

مقارنة طرق التحليل التفاضلي

مقارنة طرق التحليل التفاضلي

السابق

عرض توضيحي لخوارزمية التجميع الطيفي المشترك

التالي

الانحدار باستخدام المكونات الرئيسية مقابل الانحدار باستخدام المربعات الجزئية

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