msb-public
/
ML-For-Beginners
mirror of https://github.com/microsoft/ML-For-Beginners.git
1
0
Code Issues Projects Releases Wiki Activity

Standardize some terms as other translation file

Browse Source
pull/246/head
XiaojianTang 3 years ago committed by GitHub
parent 12c49120a2
commit 83f8a7980b
No known key found for this signature in database
GPG Key ID: 4AEE18F83AFDEB23
1 changed files with 6 additions and 6 deletions
Show Stats Download Patch File Download Diff File

12
4-Classification/2-Classifiers-1/translations/README.zh-cn.md
Unescape View File

@ -4,10 +4,10 @@
你将使用这份数据集，并通过多种分类器 _在给出了各种配料后预测这是那一个国家的菜品_。在此过程中，你将学到更多能够用来调试分类任务算法的方法。 你将使用这份数据集，并通过多种分类器 _在给出了各种配料后预测这是那一个国家的菜品_。在此过程中，你将学到更多能够用来调试分类任务算法的方法。
## [课前测试](https://jolly-sea-0a877260f.azurestaticapps.net/quiz/21/) ## [课前测验](https://jolly-sea-0a877260f.azurestaticapps.net/quiz/21/)
# 准备工作 # 准备工作
假设你已经完成了[课程1](../1-Introduction/README.md), 确保在根目录的`/data`文件夹中有 _cleaned_cuisines.csv_ 这份文件来进行接下来的四节课程。 假如你已经完成了[课程1](../1-Introduction/README.md), 确保在根目录的`/data`文件夹中有 _cleaned_cuisines.csv_ 这份文件来进行接下来的四节课程。
## 练习 - 预测某国的菜品 ## 练习 - 预测某国的菜品
@ -59,14 +59,14 @@
Name: cuisine, dtype: object Name: cuisine, dtype: object
``` ```
1. 调用`drop()`函数将 `Unnamed: 0`和 `cuisine`列删除，并将余下的数据作为可以用于训练的特证（feature）数据: 1. 调用`drop()`方法将 `Unnamed: 0`和 `cuisine`列删除，并将余下的数据作为可以用于训练的特证（feature）数据:
```python ```python
cuisines_feature_df = cuisines_df.drop(['Unnamed: 0', 'cuisine'], axis=1) cuisines_feature_df = cuisines_df.drop(['Unnamed: 0', 'cuisine'], axis=1)
cuisines_feature_df.head() cuisines_feature_df.head()
``` ```
你的特证（feature）数据看上去将会是这样: 你的特征集看上去将会是这样:
| almond | angelica | anise | anise_seed | apple | apple_brandy | apricot | armagnac | artemisia | artichoke | ... | whiskey | white_bread | white_wine | whole_grain_wheat_flour | wine | wood | yam | yeast | yogurt | zucchini | | | almond | angelica | anise | anise_seed | apple | apple_brandy | apricot | armagnac | artemisia | artichoke | ... | whiskey | white_bread | white_wine | whole_grain_wheat_flour | wine | wood | yam | yeast | yogurt | zucchini | |
| -----: | -------: | ----: | ---------: | ----: | -----------: | ------: | -------: | --------: | --------: | ---: | ------: | ----------: | ---------: | ----------------------: | ---: | ---: | ---: | ----: | -----: | -------: | --- | | -----: | -------: | ----: | ---------: | ----: | -----------: | ------: | -------: | --------: | --------: | ---: | ------: | ----------: | ---------: | ----------------------: | ---: | ---: | ---: | ----: | -----: | -------: | --- |
@ -78,7 +78,7 @@
现在，你已经准备好可以开始训练你的模型了！ 现在，你已经准备好可以开始训练你的模型了！
## 选则你的分类器 ## 选择你的分类器
你的数据已经清洗干净并已经准备好可以进行训练了，现在需要决定你想要使用的算法来完成这项任务。 你的数据已经清洗干净并已经准备好可以进行训练了，现在需要决定你想要使用的算法来完成这项任务。
@ -232,7 +232,7 @@ X_train, X_test, y_train, y_test = train_test_split(cuisines_feature_df, cuisine
在本课程中，你使用了清洗后的数据建立了一个机器学习的模型，能够根据一系列的配料来预测菜品来自于哪个国家。请再花点时间阅读一下Scikit-learn所提供的可以用来分类数据的其他选择。同时也可以深入研究一下“solver”的概念并尝试一下理解其背后的原理。 在本课程中，你使用了清洗后的数据建立了一个机器学习的模型，能够根据一系列的配料来预测菜品来自于哪个国家。请再花点时间阅读一下Scikit-learn所提供的可以用来分类数据的其他选择。同时也可以深入研究一下“solver”的概念并尝试一下理解其背后的原理。
## [课后小测](https://jolly-sea-0a877260f.azurestaticapps.net/quiz/22/) ## [课后测验](https://jolly-sea-0a877260f.azurestaticapps.net/quiz/22/)
## 回顾与自学 ## 回顾与自学
[这个课程](https://people.eecs.berkeley.edu/~russell/classes/cs194/f11/lectures/CS194%20Fall%202011%20Lecture%2006.pdf)将对逻辑回归背后的数学原理进行更加深入的讲解 [这个课程](https://people.eecs.berkeley.edu/~russell/classes/cs194/f11/lectures/CS194%20Fall%202011%20Lecture%2006.pdf)将对逻辑回归背后的数学原理进行更加深入的讲解

Write Preview
Loading…
Cancel
Save