Skip to main content

> ML_LITERATURE // PEDREGOSA-2011-SCIKIT-LEARN-MACHINE-LEARNING-IN-PYTHON_v1.0

Scikit-learn: Machine Learning in Python

Fabian Pedregosa, Gaël Varoquaux, Alexandre Gramfort, Vincent Michel, Bertrand Thirion, Olivier Grisel, Mathieu Blondel, Peter Prettenhofer, Ron Weiss, Vincent Dubourg, Jake Vanderplas, Alexandre Passos, David Cournapeau, Matthieu Brucher, Matthieu Perrot, Édouard Duchesnay · Journal of Machine Learning Research (JMLR) (2011)

systems2011industry-standardthirdPartyReproduced
Kaynak BağlantısıLiteratüre Dön

Temel Katkı (Principal Contribution)

Sıkı BSD lisansı, bellek verimliliği ve Cython hızı ile evrensel birleşik Python ML API'sini (fit, transform, predict, Pipeline) kurdu.

Operasyonel ve Mühendislik Uygunluğu

Üretim sistemlerinde task-binary-classification, task-regression, task-clustering, task-dimensionality-reduction uygulaması için kanonik teknik referans olarak hizmet eder.

Temel Varsayımlar (Assumptions)

  • Temel veri dağılımı eğitim alanları genelinde ampirik tutarlılık ve düzenlilik varsayımlarını sağlar

Kısıtlar ve Sınırlamalar (Limitations)

  • Ölçekleme özellikleri ve doğruluk donanım mimarisine, parametre ölçeğine ve veri seti kalitesine bağlıdır

Bağlantılı Algoritmalar, Mimariler ve Kütüphaneler

İlgili Algoritmalar:
Sıradan En Küçük Kareler Doğrusal RegresyonuRastgele Ormanlar (Random Forest)K-Ortalamalar ve K-Ortalamalar++ KümelemeTemel Bileşenler Analizi (PCA ve TruncatedSVD)
İlgili Mimariler:
Uygulayıcı Kütüphaneler: