diff --git a/1-Introduction/4-techniques-of-ML/translations/README.zh-cn.md b/1-Introduction/4-techniques-of-ML/translations/README.zh-cn.md index 373602f3..318876bd 100644 --- a/1-Introduction/4-techniques-of-ML/translations/README.zh-cn.md +++ b/1-Introduction/4-techniques-of-ML/translations/README.zh-cn.md @@ -72,7 +72,7 @@ 训练过程完成后（训练大型模型可能需要多次迭代或“时期”），你将能够通过使用测试数据来衡量模型的性能来评估模型的质量。此数据是模型先前未分析的原始数据的子集。 你可以打印出有关模型质量的指标表。 -🎓 **模型拟合 ** +🎓 **模型拟合** 在机器学习的背景下，模型拟合是指模型在尝试分析不熟悉的数据时其底层功能的准确性。 diff --git a/2-Regression/1-Tools/translations/README.zh-cn.md b/2-Regression/1-Tools/translations/README.zh-cn.md index 4dff2795..41b167e3 100644 --- a/2-Regression/1-Tools/translations/README.zh-cn.md +++ b/2-Regression/1-Tools/translations/README.zh-cn.md @@ -46,7 +46,7 @@ Notebooks是一个交互式环境，允许开发人员编写代码并添加注 Jupyter服务器将以python3+启动。你会发现notebook可以“运行”的区域、代码块。你可以通过选择看起来像播放按钮的图标来运行代码块。 -2. 选择`md`图标并添加一点markdown，输入文字**#Welcome to your notebook**。 +2. 选择`md`图标并添加一点markdown，输入文字 **# Welcome to your notebook**。 接下来，添加一些Python代码。 @@ -80,7 +80,7 @@ Scikit-learn使构建模型和评估它们的使用变得简单。它主要侧 > 本教程的灵感来自Scikit-learn网站上的[线性回归示例](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py)。 -在与本课程相关的_notebook.ipynb_文件中，通过点击“垃圾桶”图标清除所有单元格。 +在与本课程相关的 _notebook.ipynb_ 文件中，通过点击“垃圾桶”图标清除所有单元格。 在本节中，你将使用一个关于糖尿病的小数据集，该数据集内置于Scikit-learn中以用于学习目的。想象一下，你想为糖尿病患者测试一种治疗方法。机器学习模型可能会帮助你根据变量组合确定哪些患者对治疗反应更好。即使是非常基本的回归模型，在可视化时，也可能会显示有助于组织理论临床试验的变量信息。 diff --git a/2-Regression/translations/README.zh-cn.md b/2-Regression/translations/README.zh-cn.md index 24c7a26c..f7c511e6 100644 --- a/2-Regression/translations/README.zh-cn.md +++ b/2-Regression/translations/README.zh-cn.md @@ -6,7 +6,7 @@ ![jack-o-lantern](../images/jack-o-lanterns.jpg) > Foto oleh Beth Teutschmann di Unsplash -##你会学到什么 +## 你会学到什么 这节的课程包括机器学习领域中的多种回归模型。回归模型可以明确多种变量间的_关系_。这种模型可以用来预测类似长度、温度和年龄之类的值， 通过分析数据点来揭示变量之间的关系。