sklearn方法大全

API参考

  • sklearn.base:基类和实用程序函数
  • sklearn.calibration:概率校准
  • sklearn.cluster:聚类
  • sklearn.cluster.bicluster:集群化
  • sklearn.compose:复合估计器
  • sklearn.covariance:协方差估计器
  • sklearn.cross_decomposition:交叉分解
  • sklearn.datasets:数据集
    • 数据集
    • 样本生成器
  • sklearn.decomposition模块
  • sklearn.discriminant_analysis:判别分析
  • sklearn.dummy:虚拟估计器
  • sklearn.ensemble:集合方法
  • sklearn.exceptions:异常和警告
  • sklearn.experimental:实验
  • sklearn.feature_extraction特征提取
    • sklearn.feature_extraction.image子模块收集实用程序以从图像中提取特征。
    • sklearn.feature_extraction.text
  • sklearn.feature_selection:功能选择
  • sklearn.gaussian_process:高斯过程
  • sklearn.kernel_approximation内核近似
  • sklearn.metrics:指标
    • 选型界面
    • 分类指标
    • 回归指标
    • 多标记排名指标
    • 聚类指标
    • 分类指标
    • 成对指标
  • sklearn.mixture:高斯混合模型
    • 分离器类
    • 分离器功能
    • 超参数优化器
    • 模型验证
  • sklearn.multiclass:多类和多标签分类
  • sklearn.multioutput:多输出回归和分类
  • sklearn.naive_bayes:朴素贝叶斯
  • sklearn.neighbors:最近的邻居
  • sklearn.pipeline:连接器
  • sklearn.preprocessing:预处理和规范化
  • sklearn.random_projection:随机投影
  • sklearn.semi_supervised半监督学习
  • sklearn.svm:支持向量机
    • 估计器
    • 低级别的方法
  • sklearn.tree:决策树
  • sklearn.utils:实用工具
  • 版本变更
    • 在0.23版本中删除
    • 0.23.0版中删除
    • 在0.22中删除

这是scikit-learn的类和函数参考。有关更多详细信息,请参阅完整的用户指南,因为类和函数的原始规范可能不足以提供有关其用法的完整指南。有关在API上重复的概念的参考,请参阅“通用术语表和API元素”。

sklearn.base:基类和实用程序函数

所有估计量的基类。

基类

base.BaseEstimator	scikit-learn中所有估计量的基类
base.BiclusterMixin	scikit-learn中所有双簇估计器的Mixin类
base.ClassifierMixin	scikit-learn中所有分类器的Mixin类。
base.ClusterMixin	scikit-learn中所有聚类估计量的Mixin类。
base.DensityMixin	scikit-learn中所有密度估计量的Mixin类。
base.RegressorMixin	scikit-learn中所有回归估计量的Mixin类。
base.TransformerMixin	scikit-learn中所有变压器的Mixin类。

功能

base.clone(估算器[,安全])	构造一个具有相同参数的新估算器。
base.is_classifier(估算器)	如果给定的估算器可能是分类器,则返回True。
base.is_regressor(估算器)	如果给定的估计量(可能是回归量),则返回True。
config_context(\ * \ * new_config)	全局scikit学习配置的上下文管理器
get_config()	检索配置的当前值 set_config
set_config([假定上限,工作中的内存,...])	设置全局scikit-learn配置
show_versions()	打印有用的调试信息

sklearn.calibration:概率校准

校准预测概率。

calibration.CalibratedClassifierCV([])	等渗回归或S形概率校准。
calibration.calibration_curve(y_true,y_prob)	计算校正曲线的真实和预测概率。

sklearn.cluster:聚类

该sklearn.cluster模块收集了流行的无监督聚类算法。

cluster.AffinityPropagation([阻尼,...])	执行数据的相似性传播聚类。
cluster.AgglomerativeClustering([])	聚集聚类
cluster.Birch([阈值,branching_factor,...])	实现Birch聚类算法。
cluster.DBSCAN([eps,min_samples,指标,...])	从向量数组或距离矩阵执行DBSCAN聚类。
cluster.OPTICS([min_samples,max_eps,…])	从向量数组估计聚类结构
cluster.FeatureAgglomeration([n_clusters,...])	聚集功能。
cluster.KMeans([n_clusters,init,n_init,...])	K均值聚类
cluster.MiniBatchKMeans([n_clusters,init,...])	迷你批次K均值聚类
cluster.MeanShift([带宽,种子,...])	使用平内核的均值漂移聚类。
cluster.SpectralClustering([n_clusters,...])	将聚类应用于规范化拉普拉斯算子的投影。

功能

cluster.affinity_propagation(S [,…])	执行数据的相似性传播聚类
cluster.cluster_optics_dbscan(可达性,…)	对任意epsilon执行DBSCAN提取。
cluster.cluster_optics_xi(可达性,…)	根据Xi-steep方法自动提取群集。
cluster.compute_optics_graph(X,min_samples等)	计算OPTICS可达性图。
cluster.dbscan(X [,eps,min_samples,…])	从向量数组或距离矩阵执行DBSCAN聚类。
cluster.estimate_bandwidth(X [,分位数,...])	估计均值漂移算法要使用的带宽。
cluster.k_means(X,n_clusters [,…])	K-均值聚类算法。
cluster.mean_shift(X [,带宽,种子,…])	使用扁平内核执行数据的均值漂移聚类。
cluster.spectral_clustering(亲和力[,…])	将聚类应用于规范化拉普拉斯算子的投影。
cluster.ward_tree(X [,连通性,…])	基于特征矩阵的病房聚类。

sklearn.cluster.bicluster:集群化

频谱双簇算法。

SpectralBiclustering([n_clusters,方法,...])	频谱双聚类(Kluger,2003)。
SpectralCoclustering([n_clusters,...])	频谱共聚算法(Dhillon,2001)。

sklearn.compose:复合估计器

用于使用变压器构建复合模型的元估计器

compose.ColumnTransformer(变形金刚[,…])	将转换器应用于数组或熊猫DataFrame的列。
compose.TransformedTargetRegressor([])	元估算器可对转换后的目标进行回归。
compose.make_column_transformer(...)	从给定的转换器构造一个ColumnTransformer。

sklearn.covariance:协方差估计器

该sklearn.covariance模块包括在给定点集的情况下稳健地估计特征协方差的方法和算法。还估计了定义为协方差的倒数的精度矩阵。协方差估计与高斯图形模型理论密切相关。

covariance.EmpiricalCovariance([])	最大似然协方差估计量
covariance.EllipticEnvelope([])	用于检测高斯分布数据集中的异常值的对象。
covariance.GraphicalLasso([alpha,模式,...])	带有l1惩罚估计量的稀疏逆协方差估计。
covariance.GraphicalLassoCV([alphas,...])	带有l1罚分的交叉验证选择的稀疏逆协方差。
covariance.LedoitWolf([store_precision,...])	LedoitWolf估算器
covariance.MinCovDet([store_precision,...])	最小协方差决定因素(MCD):协方差的鲁棒估计器。
covariance.OAS([store_precision,...])	Oracle近似收缩率估算器
covariance.ShrunkCovariance([])	收缩率的协方差估计器
covariance.empirical_covariance(X[, …])	计算最大似然协方差估计量
covariance.graphical_lasso(emp_cov,alpha [,…])	l1惩罚协方差估计器
covariance.ledoit_wolf(X [,假定为中心,…])	估计缩小的Ledoit-Wolf协方差矩阵。
covariance.oas(X [,假定为居中])	使用Oracle近似收缩算法估算协方差。
covariance.shrunk_covariance(emp_cov [,…])	计算对角线上收缩的协方差矩阵

sklearn.cross_decomposition:交叉分解

用户指南:有关更多详细信息,请参见“ 交叉分解”部分。

cross_decomposition.CCA([n_components,...])	CCA典型相关分析。
cross_decomposition.PLSCanonical([])	PLSCanonical实现了原始Wold算法[Tenenhaus 1998] p.2042个块规范PLS,在[Wegelin 2000]中称为PLS-C2A。
cross_decomposition.PLSRegression([])	PLS回归
cross_decomposition.PLSSVD([n_components,...])	偏最小二乘SVD

sklearn.datasets:数据集

该sklearn.datasets模块包括用于加载数据集的实用程序,包括用于加载和获取流行的参考数据集的方法。它还具有一些人工数据生成器。

用户指南:有关更多详细信息,请参见“ 数据集加载实用程序”部分。

数据集

datasets.clear_data_home([data_home])	删除数据主目录缓存的所有内容。
datasets.dump_svmlight_file(X,y,f [,…])	以svmlight / libsvm文件格式转储数据集。
datasets.fetch_20newsgroups([data_home,...])	从20个新闻组数据集中加载文件名和数据(分类)。
datasets.fetch_20newsgroups_vectorized([])	加载20个新闻组数据集并将其向量化为令牌计数(分类)。
datasets.fetch_california_housing([])	加载加利福尼亚住房数据集(回归)。
datasets.fetch_covtype([data_home,...])	加载covertype数据集(分类)。
datasets.fetch_kddcup99([子集,data_home,...])	加载kddcup99数据集(分类)。
datasets.fetch_lfw_pairs([子集,...])	在“野生(LFW)”对数据集中加载标签的面部(分类)。
datasets.fetch_lfw_people([data_home,...])	将标签的面孔加载到Wild(LFW)人数据集中(分类)。
datasets.fetch_olivetti_faces([data_home,...])	从AT&T(分类)中加载Olivetti人脸数据集。
datasets.fetch_openml([名称,版本,...])	通过名称或数据集ID从openml获取数据集。
datasets.fetch_rcv1([data_home,子集,...])	加载RCV1多标签数据集(分类)。
datasets.fetch_species_distributions([])	Phillips等人的物种分布数据集加载程序。
datasets.get_data_home([data_home])	返回scikit-learn数据目录的路径。
datasets.load_boston([return_X_y])	加载并返回波士顿房价数据集(回归)。
datasets.load_breast_cancer([return_X_y])	加载并返回乳腺癌威斯康星州数据集(分类)。
datasets.load_diabetes([return_X_y])	加载并返回糖尿病数据集(回归)。
datasets.load_digits([n_class,return_X_y])	加载并返回数字数据集(分类)。
datasets.load_files(container_path [,…])	加载带有类别作为子文件夹名称的文本文件。
datasets.load_iris([return_X_y])	加载并返回虹膜数据集(分类)。
datasets.load_linnerud([return_X_y])	加载并返回linnerud数据集(多元回归)。
datasets.load_sample_image(图片名称)	加载单个样本图像的numpy数组
datasets.load_sample_images()	加载样本图像以进行图像处理。
datasets.load_svmlight_file(f [,n_features,…])	将svmlight / libsvm格式的数据集加载到稀疏CSR矩阵中
datasets.load_svmlight_files(文件[,…])	从SVMlight格式的多个文件加载数据集
datasets.load_wine([return_X_y])	加载并返回葡萄酒数据集(分类)。

样本生成器

datasets.make_biclusters(形状,n_clusters)	生成具有恒定块对角线结构的数组以进行双聚类。
datasets.make_blobs([n_samples个,n_features个,...])	生成各向同性的高斯斑点以进行聚类。
datasets.make_checkerboard(形状,n_clusters)	生成具有棋盘格结构的数组以进行二聚类化。
datasets.make_circles([n_samples,随机播放,...])	在2d中制作一个包含较小圆圈的大圆圈。
datasets.make_classification([n_samples,...])	生成随机的n类分类问题。
datasets.make_friedman1([n_samples,...])	生成“ Friedman#1”回归问题
datasets.make_friedman2([n_samples,噪声,...])	生成“ Friedman#2”回归问题
datasets.make_friedman3([n_samples,噪声,...])	生成“ Friedman#3”回归问题
datasets.make_gaussian_quantiles([意思, …])	通过分位数生成各向同性的高斯并标记样本
datasets.make_hastie_10_2([n_samples,...])	生成Hastie等人使用的二进制分类数据。
datasets.make_low_rank_matrix([n_samples,...])	生成具有钟形奇异值的低阶矩阵
datasets.make_moons([n_samples,随机播放,...])	做两个交错的半圈
datasets.make_multilabel_classification([])	生成随机的多标签分类问题。
datasets.make_regression([n_samples,...])	生成随机回归问题。
datasets.make_s_curve([n_samples,噪声,...])	生成S曲线数据集。
datasets.make_sparse_coded_signal(n_samples个,…)	生成信号作为字典元素的稀疏组合。
datasets.make_sparse_spd_matrix([昏暗,…])	生成一个稀疏对称定正矩阵。
datasets.make_sparse_uncorrelated([])	使用稀疏的不相关设计生成随机回归问题
datasets.make_spd_matrix(n_dim [,random_state])	生成随机对称的正定矩阵。
datasets.make_swiss_roll([n_samples,噪声,...])	生成瑞士卷数据集。
sklearn.decomposition:矩阵分解

sklearn.decomposition模块

包括矩阵分解算法,其中包括PCA,NMF或ICA。该模块的大多数算法都可以视为降维技术。

用户指南:有关更多详细信息,请参见分解组件中的信号(矩阵分解问题)部分。

decomposition.DictionaryLearning([])	字典学习
decomposition.FactorAnalysis([n_components,...])	因子分析(FA)
decomposition.FastICA([n_components,...])	FastICA:一种用于独立成分分析的快速算法。
decomposition.IncrementalPCA([n_components,...])	增量主成分分析(IPCA)。
decomposition.KernelPCA([n_components,...])	内核主成分分析(KPCA)
decomposition.LatentDirichletAllocation([])	在线变分贝叶斯算法的潜在狄利克雷分配
decomposition.MiniBatchDictionaryLearning([])	小批量字典学习
decomposition.MiniBatchSparsePCA([])	小批量稀疏主成分分析
decomposition.NMF([n_components,init,...])	非负矩阵分解(NMF)
decomposition.PCA([n_components,副本,...])	主成分分析(PCA)
decomposition.SparsePCA([n_components,...])	稀疏主成分分析(SparsePCA)
decomposition.SparseCoder(字典[,…])	稀疏编码
decomposition.TruncatedSVD([n_components,...])	使用截断的SVD(aka LSA)进行降维。
decomposition.dict_learning(X,n_components,…)	解决字典学习矩阵分解问题。
decomposition.dict_learning_online(X[, …])	在线解决字典学习矩阵分解问题。
decomposition.fastica(X [,n_components,…])	执行快速独立成分分析。
decomposition.non_negative_factorization(X)	计算非负矩阵分解(NMF)
decomposition.sparse_encode(X,字典[,…])	稀疏编码

sklearn.discriminant_analysis:判别分析

线性判别分析和二次判别分析

用户指南:有关更多详细信息,请参见“ 线性和平方判别分析”部分。

discriminant_analysis.LinearDiscriminantAnalysis([])	线性判别分析
discriminant_analysis.QuadraticDiscriminantAnalysis([])	二次判别分析

sklearn.dummy:虚拟估计器

用户指南:有关更多详细信息,请参见模型评估:量化预测的质量部分。

dummy.DummyClassifier([策略,...])	DummyClassifier是使用简单规则进行预测的分类器。
dummy.DummyRegressor([策略,不变,...])	DummyRegressor是使用简单规则进行预测的回归器。

sklearn.ensemble:集合方法

该sklearn.ensemble模块包括基于集合的分类,回归和异常检测方法。

用户指南:有关更多详细信息,请参见合奏方法部分。

ensemble.AdaBoostClassifier([])	AdaBoost分类器。
ensemble.AdaBoostRegressor([base_estimator,...])	AdaBoost回归器。
ensemble.BaggingClassifier([base_estimator,...])	套袋分类器。
ensemble.BaggingRegressor([base_estimator,...])	套袋回归器。
ensemble.ExtraTreesClassifier([])	额外的树分类器。
ensemble.ExtraTreesRegressor([n_estimators,…])	额外的树回归器。
ensemble.GradientBoostingClassifier([失利, …])	用于分类的梯度增强。
ensemble.GradientBoostingRegressor([失利, …])	梯度提升以进行回归。
ensemble.IsolationForest([n_estimators,…])	隔离林算法
ensemble.RandomForestClassifier([])	随机森林分类器。
ensemble.RandomForestRegressor([])	随机森林回归器。
ensemble.RandomTreesEmbedding([])	一整套完全随机的树。
ensemble.VotingClassifier(估算器[,…])	适用于不适合的估算器的软投票/多数规则分类器。
ensemble.VotingRegressor(估算器[,…])	适用于不适合的估算器的预测投票回归器。
ensemble.HistGradientBoostingRegressor([])	基于直方图的梯度增强回归树。
ensemble.HistGradientBoostingClassifier([])	基于直方图的梯度提升分类树。

sklearn.exceptions:异常和警告

该sklearn.exceptions模块包括scikit-learn中使用的所有自定义警告和错误类。

exceptions.ChangedBehaviorWarning	警告类,用于将行为的任何更改通知用户。
exceptions.ConvergenceWarning	自定义警告以捕获收敛问题
exceptions.DataConversionWarning	警告,用于通知代码中发生的隐式数据转换。
exceptions.DataDimensionalityWarning	自定义警告以通知潜在的数据维度问题。
exceptions.EfficiencyWarning	警告,用于通知用户计算效率低下。
exceptions.FitFailedWarning	如果拟合估算器时发生错误,则使用警告类。
exceptions.NotFittedError	如果在拟合之前使用了估计量,则引发异常类。
exceptions.NonBLASDotWarning	点操作不使用BLAS时使用的警告。
exceptions.UndefinedMetricWarning	指标无效时使用的警告

sklearn.experimental:实验

该sklearn.experimental模块提供了可导入的模块,这些模块允许使用实验性功能或估算器。

实验性的功能和估计量不受弃用周期的限制。使用它们需要您自担风险!

experimental.enable_hist_gradient_boosting	启用基于直方图的梯度增强估计器。
experimental.enable_iterative_imputer	启用IterativeImputer

sklearn.feature_extraction特征提取

该sklearn.feature_extraction模块负责从原始数据中提取特征。当前,它包括从文本和图像中提取特征的方法。

用户指南:有关更多详细信息,请参见功能提取部分。

feature_extraction.DictVectorizer([dtype,...])	将特征值映射列表转换为矢量。
feature_extraction.FeatureHasher([])	实现功能哈希,又名哈希技巧。

从图片

sklearn.feature_extraction.image子模块收集实用程序以从图像中提取特征。

feature_extraction.image.extract_patches_2d(...)	将2D图像重塑为补丁集合
feature_extraction.image.grid_to_graph(n_x,n_y)	像素间连接图
feature_extraction.image.img_to_graph(img [,…])	像素间梯度连接图
feature_extraction.image.reconstruct_from_patches_2d(...)	从所有修补程序重建映像。
feature_extraction.image.PatchExtractor([])	从图像集中提取补丁

从文字

sklearn.feature_extraction.text

子模块收集实用程序以从文本文档构建特征向量。

feature_extraction.text.CountVectorizer([])	将文本文档集合转换为令牌计数矩阵
feature_extraction.text.HashingVectorizer([])	将文本文档的集合转换为令牌出现的矩阵
feature_extraction.text.TfidfTransformer([])	将计数矩阵转换为标准化的tf或tf-idf表示形式
feature_extraction.text.TfidfVectorizer([])	将原始文档集合转换为TF-IDF功能矩阵。

sklearn.feature_selection:功能选择

该sklearn.feature_selection模块实现特征选择算法。目前,它包括单变量过滤器选择方法和递归特征消除算法。

用户指南:有关更多详细信息,请参见“ 功能选择”部分。

feature_selection.GenericUnivariateSelect([])	具有可配置策略的单变量特征选择器。
feature_selection.SelectPercentile([])	根据最高分数的百分位数选择特征。
feature_selection.SelectKBest([score_func,k])	根据k个最高分数选择功能。
feature_selection.SelectFpr([score_func,alpha])	过滤器:根据FPR测试,在alpha以下选择p值。
feature_selection.SelectFdr([score_func,alpha])	过滤器:为估计的错误发现率选择p值
feature_selection.SelectFromModel(估算器)	元变压器,用于根据重要性权重选择特征。
feature_selection.SelectFwe([score_func,alpha])	过滤器:选择与Family-wise错误率相对应的p值
feature_selection.RFE(估算器[,…])	消除递归功能的功能排名。
feature_selection.RFECV(估算器[,步骤,…])	通过消除递归特征和交叉验证最佳特征数选择来进行特征排名。
feature_selection.VarianceThreshold([])	删除所有低方差特征的特征选择器。
feature_selection.chi2(X,y)	计算每个非负要素与类之间的卡方统计量。
feature_selection.f_classif(X,y)	计算提供的样本的ANOVA F值。
feature_selection.f_regression(X,y [,中心])	单变量线性回归测试。
feature_selection.mutual_info_classif(X,y)	估计离散目标变量的互信息。
feature_selection.mutual_info_regression(X,y)	估计一个连续目标变量的互信息。

sklearn.gaussian_process:高斯过程

该sklearn.gaussian_process模块实现基于高斯过程的回归和分类。

用户指南:有关更多详细信息,请参见“ 高斯过程”部分。

gaussian_process.GaussianProcessClassifier([])	基于拉普拉斯近似的高斯过程分类(GPC)。
gaussian_process.GaussianProcessRegressor([])	高斯过程回归(GPR)。

内核:

gaussian_process.kernels.CompoundKernel(内核)	由一组其他内核组成的内核。
gaussian_process.kernels.ConstantKernel([])	恒定内核。
gaussian_process.kernels.DotProduct([])	点积内核。
gaussian_process.kernels.ExpSineSquared([])	Exp-Sine-Squared内核。
gaussian_process.kernels.Exponentiation(...)	通过给定指数对内核求幂。
gaussian_process.kernels.Hyperparameter	以namedtuple形式的内核超参数规范。
gaussian_process.kernels.Kernel	所有内核的基类。
gaussian_process.kernels.Matern([])	主内核。
gaussian_process.kernels.PairwiseKernel([])	sklearn.metrics.pairwise中的内核包装。
gaussian_process.kernels.Product(k1,k2)	两个内核k1和k2的乘积内核k1 * k2。
gaussian_process.kernels.RBF([length_scale,…])	径向基函数内核(又名平方指数内核)。
gaussian_process.kernels.RationalQuadratic([])	有理二次方内核。
gaussian_process.kernels.Sum(k1,k2)	两个内核k1和k2的总和k1 + k2。
gaussian_process.kernels.WhiteKernel([])	白仁。

sklearn.isotonic:等渗回归
用户指南:有关更多详细信息,请参见等渗回归部分。

isotonic.IsotonicRegression([y_min,y_max,...])	等渗回归模型。
isotonic.check_increasing(x,y)	确定y是否与x单调相关。
isotonic.isotonic_regression(y [,…])	解决等渗回归模型:

sklearn.impute:归因
缺失值估算的变压器

用户指南:有关更多详细信息,请参见缺失值的插补部分。

impute.SimpleImputer([missing_values,...])	插补变压器,用于完成缺失值。
impute.IterativeImputer([估算器,...])	用于从其他所有要素中估算每个要素的多元推动者。
impute.MissingIndicator([missing_values,...])	缺失值的二进制指标。

sklearn.kernel_approximation内核近似

该sklearn.kernel_approximation模块基于傅立叶变换实现了几个近似的内核特征图。

用户指南:有关更多详细信息,请参见“ 内核近似”部分。

kernel_approximation.AdditiveChi2Sampler([])	附加chi2内核的近似特征图。
kernel_approximation.Nystroem([核心, …])	使用训练数据的子集近似核图。
kernel_approximation.RBFSampler([伽玛,…])	通过其傅里叶变换的蒙特卡洛近似来近似RBF内核的特征图。
kernel_approximation.SkewedChi2Sampler([])	通过“傅立叶”变换的蒙特卡洛近似,近似“倾斜的卡方”核的特征图。

sklearn.kernel_ridge内核岭回归
模块sklearn.kernel_ridge实现内核岭回归。

用户指南:有关更多详细信息,请参见内核岭回归部分。

kernel_ridge.KernelRidge([alpha,kernel,...])	内核岭回归。

sklearn.linear_model:广义线性模型
该sklearn.linear_model模块实现了广义线性模型。它包括利用最小角度回归和坐标下降计算的Ridge回归,贝叶斯回归,套索和弹性网估计量。它还实现了随机梯度下降相关算法。

用户指南:有关更多详细信息,请参见“ 广义线性模型”部分。

linear_model.ARDRegression([n_iter,tol,...])	贝叶斯ARD回归。
linear_model.BayesianRidge([n_iter,tol,...])	贝叶斯岭回归。
linear_model.ElasticNet([alpha,l1_ratio,…])	将L1和L2先验组合作为正则化器的线性回归。
linear_model.ElasticNetCV([l1_ratio,eps,...])	沿着正则化路径具有迭代拟合的Elastic Net模型。
linear_model.HuberRegressor([ε,…])	对异常值具有鲁棒性的线性回归模型。
linear_model.Lars([fit_intercept,详细,...])	最小角回归模型
linear_model.LarsCV([fit_intercept,...])	交叉验证的最小角度回归模型。
linear_model.Lasso([alpha,fit_intercept,…])	线性模型先经过L1训练作为正则化器(又称为套索)
linear_model.LassoCV([eps,n_alphas,…])	沿着正则化路径具有迭代拟合的套索线性模型。
linear_model.LassoLars([α, …])	套索模型与最小角度回归拟合
linear_model.LassoLarsCV([fit_intercept,...])	使用LARS算法交叉验证的套索。
linear_model.LassoLarsIC([标准,...])	使用BIC或AIC选择模型的套索模型与Lars拟合
linear_model.LinearRegression([])	普通最小二乘线性回归。
linear_model.LogisticRegression([罚款,...])	Logistic回归(又名logit,MaxEnt)分类器。
linear_model.LogisticRegressionCV([Cs,…])	Logistic回归CV(又名logit,MaxEnt)分类器。
linear_model.MultiTaskLasso([α, …])	以L1 / L2混合范数为正则训练的多任务套索模型。
linear_model.MultiTaskElasticNet([α, …])	以L1 / L2混合范数为正则训练的多任务ElasticNet模型
linear_model.MultiTaskLassoCV([eps,…])	以L1 / L2混合范数为正则训练的多任务套索模型。
linear_model.MultiTaskElasticNetCV([])	具有内置交叉验证的多任务L1 / L2 ElasticNet。
linear_model.OrthogonalMatchingPursuit([])	正交匹配追踪模型(OMP)
linear_model.OrthogonalMatchingPursuitCV([])	交叉验证的正交匹配追踪模型(OMP)。
linear_model.PassiveAggressiveClassifier([])	被动进取分类器
linear_model.PassiveAggressiveRegressor([C, …])	被动攻击性回归
linear_model.Perceptron([罚款,阿尔法,...])	在《用户指南》中阅读更多内容。
linear_model.RANSACRegressor([])	RANSAC(随机抽样共识)算法。
linear_model.Ridge([alpha,fit_intercept,…])	具有l2正则化的线性最小二乘法。
linear_model.RidgeClassifier([α, …])	使用Ridge回归的分类器。
linear_model.RidgeClassifierCV([alphas,...])	带有内置交叉验证的Ridge分类器。
linear_model.RidgeCV([alphas,...])	带有内置交叉验证的Ridge回归。
linear_model.SGDClassifier([损失,罚款……)	具有SGD训练的线性分类器(SVM,逻辑回归,ao)。
linear_model.SGDRegressor([损失,罚款……)	通过使用SGD最小化正则经验损失来拟合线性模型
linear_model.TheilSenRegressor([])	Theil-Sen估算器:稳健的多元回归模型。
linear_model.enet_path(X,y [,l1_ratio,…])	计算具有坐标下降的弹性净路径
linear_model.lars_path(X,y [,Xy,Gram,…])	使用LARS算法计算最小角度回归或套索路径[1]
linear_model.lars_path_gram(Xy,Gram,n_samples)	充分统计模式下的lars_path [1]
linear_model.lasso_path(X,y [,eps,…])	计算具有坐标下降的套索路径
linear_model.orthogonal_mp(X,y [,…])	正交匹配追踪(OMP)
linear_model.orthogonal_mp_gram(Gram,Xy [,…])	克正交匹配追踪(OMP)
linear_model.ridge_regression(X,y,alpha [,…])	用正规方程法求解岭方程。

sklearn.manifold:流形学习
该sklearn.manifold模块实现了数据嵌入技术。

用户指南:有关更多详细信息,请参见歧管学习部分。

manifold.Isomap([n_neighbors,n_components,...])	等值图嵌入
manifold.LocallyLinearEmbedding([])	局部线性嵌入
manifold.MDS([n_components,指标,n_init,...])	多维缩放
manifold.SpectralEmbedding([n_components,...])	频谱嵌入用于非线性降维。
manifold.TSNE([n_components,困惑,...])	t分布随机邻居嵌入。
manifold.locally_linear_embedding(X, …[, …])	对数据执行局部线性嵌入分析。
manifold.smacof(差异[,metric,…])	使用SMACOF算法计算多维缩放。
manifold.spectral_embedding(邻接[,…])	将样本投影到图拉普拉斯算子的第一个特征向量上。

sklearn.metrics:指标

有关更多详细信息,请参阅用户指南的“ 模型评估:量化预测的质量”部分和“ 成对度量,亲和力和内核”部分。

该sklearn.metrics模块包括评分功能,性能指标,成对指标和距离计算。

选型界面

有关更多详细信息,请参见用户指南的“评分参数:定义模型评估规则”部分。

metrics.check_scoring(估算器[,得分,…])	从用户选项确定计分器。
metrics.get_scorer(得分)	从字符串中获取得分手
metrics.make_scorer(score_func [,…])	根据绩效指标或损失函数确定得分手。

分类指标

有关更多详细信息,请参见用户指南的“ 分类指标”部分。

metrics.accuracy_score(y_true,y_pred [,…])	精度分类得分。
metrics.auc(x,y [,重新排序])	使用梯形法则计算曲线下面积(AUC)
metrics.average_precision_score(y_true,y_score)	根据预测分数计算平均精度(AP)
metrics.balanced_accuracy_score(y_true,y_pred)	计算平衡精度
metrics.brier_score_loss(y_true,y_prob [,…])	计算Brier分数。
metrics.classification_report(y_true,y_pred)	建立文字报告,显示主要的分类指标
metrics.cohen_kappa_score(y1,y2 [,标签,…])	科恩的kappa:一种用于度量注释者之间协议的统计数据。
metrics.confusion_matrix(y_true,y_pred [,…])	计算混淆矩阵以评估分类的准确性
metrics.f1_score(y_true,y_pred [,标签,...])	计算F1分数,也称为平衡F分数或F测量
metrics.fbeta_score(y_true,y_pred,beta [,…])	计算F-beta分数
metrics.hamming_loss(y_true,y_pred [,…])	计算平均汉明损失。
metrics.hinge_loss(y_true,pred_decision [,…])	平均铰链损耗(非常规)
metrics.jaccard_score(y_true,y_pred [,…])	雅卡德相似系数得分
metrics.log_loss(y_true,y_pred [,eps,…])	对数损失,aka逻辑损失或交叉熵损失。
metrics.matthews_corrcoef(y_true,y_pred [,…])	计算马修斯相关系数(MCC)
metrics.multilabel_confusion_matrix(y_true,...)	计算每个类别或样本的混淆矩阵
metrics.precision_recall_curve(y_true,...)	计算不同概率阈值的精确召回对
metrics.precision_recall_fscore_support(...)	计算每个班级的精度,召回率,F量度和支持
metrics.precision_score(y_true,y_pred [,…])	计算精度
metrics.recall_score(y_true,y_pred [,…])	计算召回率
metrics.roc_auc_score(y_true,y_score [,…])	根据预测分数计算接收器工作特性曲线(ROC AUC)下的面积。
metrics.roc_curve(y_true,y_score [,…])	计算接收器工作特性(ROC)
metrics.zero_one_loss(y_true,y_pred [,…])	零一分类损失。

回归指标

有关更多详细信息,请参见用户指南的回归指标部分。

metrics.explained_variance_score(y_true,y_pred)	解释方差回归得分函数
metrics.max_error(y_true,y_pred)	max_error指标计算最大残留误差。
metrics.mean_absolute_error(y_true,y_pred)	平均绝对误差回归损失
metrics.mean_squared_error(y_true,y_pred [,…])	均方误差回归损失
metrics.mean_squared_log_error(y_true,y_pred)	均方对数误差回归损失
metrics.median_absolute_error(y_true,y_pred)	中值绝对误差回归损失
metrics.r2_score(y_true,y_pred [,…])	R ^ 2(确定系数)回归得分函数。

多标记排名指标

有关更多详细信息,请参见用户指南的“ 多标签排名指标”部分。

metrics.coverage_error(y_true,y_score [,…])	覆盖误差测量
metrics.label_ranking_average_precision_score(...)	计算基于排名的平均精度
metrics.label_ranking_loss(y_true,y_score)	计算排名损失度量

聚类指标

有关更多详细信息,请参见用户指南的“ 群集性能评估”部分。

该sklearn.metrics.cluster子模块包含用于聚类分析结果的评估指标。评估有两种形式:

监督,它为每个样本使用基本事实类别值。
无监督的,它不会并且无法衡量模型本身的“质量”。

metrics.adjusted_mutual_info_score(…[,…])	调整两个群集之间的相互信息。
metrics.adjusted_rand_score(labels_true,...)	兰德指数经过调整。
metrics.calinski_harabasz_score(X,标签)	计算Calinski和Harabasz得分。
metrics.davies_bouldin_score(X,标签)	计算Davies-Bouldin分数。
metrics.completeness_score(labels_true,...)	给定基本事实的聚类标签的完整性度量。
metrics.cluster.contingency_matrix(…[,…])	建立描述标签之间关系的列联矩阵。
metrics.fowlkes_mallows_score(labels_true,...)	测量一组点的两个聚类的相似度。
metrics.homogeneity_completeness_v_measure(...)	一次计算同质性,完整性和V-Measure分数。
metrics.homogeneity_score(labels_true,...)	给定基本事实的聚类标签的同质性度量。
metrics.mutual_info_score(labels_true,...)	两个群集之间的相互信息。
metrics.normalized_mutual_info_score(…[,…])	两个聚类之间的标准化互信息。
metrics.silhouette_score(X,标签[,…])	计算所有样本的平均轮廓系数。
metrics.silhouette_samples(X,标签[,公制])	计算每个样本的轮廓系数。
metrics.v_measure_score(labels_true,labels_pred)	V-度量簇标签给出了基本事实。

分类指标

有关更多详细信息,请参见用户指南的分类评估部分。

metrics.consensus_score(a,b [,相似]) 两组bicluster的相似性。

成对指标

有关更多详细信息,请参见用户指南的成对度量,亲和力和内核部分。

metrics.pairwise.additive_chi2_kernel(X [,Y])	计算X和Y观测值之间的加和方平方核
metrics.pairwise.chi2_kernel(X [,Y,γ)	计算指数卡方内核X和Y。
metrics.pairwise.cosine_similarity(X [,Y,…])	计算X和Y中样本之间的余弦相似度。
metrics.pairwise.cosine_distances(X [,Y])	计算X和Y中样本之间的余弦距离。
metrics.pairwise.distance_metrics()	pairwise_distances的有效指标。
metrics.pairwise.euclidean_distances(X [,Y,…])	将X(和Y = X)的行视为向量,计算每对向量之间的距离矩阵。
metrics.pairwise.haversine_distances(X [,Y])	计算X和Y中样本之间的Haversine距离
metrics.pairwise.kernel_metrics()	pairwise_kernels的有效指标
metrics.pairwise.laplacian_kernel(X [,Y,γ)	计算X和Y之间的拉普拉斯核。
metrics.pairwise.linear_kernel(X [,Y,…])	计算X和Y之间的线性核。
metrics.pairwise.manhattan_distances(X [,Y,…])	计算X和Y中向量之间的L1距离。
metrics.pairwise.pairwise_kernels(X [,Y,…])	计算数组X和可选数组Y之间的内核。
metrics.pairwise.polynomial_kernel(X [,Y,…])	计算X和Y之间的多项式内核:
metrics.pairwise.rbf_kernel(X [,Y,γ)	计算X和Y之间的rbf(高斯)内核:
metrics.pairwise.sigmoid_kernel(X [,Y,…])	计算X和Y之间的S形核:
metrics.pairwise.paired_euclidean_distances(X,Y)	计算X和Y之间的成对的欧式距离
metrics.pairwise.paired_manhattan_distances(X,Y)	计算X和Y中向量之间的L1距离。
metrics.pairwise.paired_cosine_distances(X,Y)	计算X和Y之间的配对余弦距离
metrics.pairwise.paired_distances(X,Y [,公制])	计算X和Y之间的配对距离。
metrics.pairwise_distances(X [,Y,metric,…])	根据向量数组X和可选的Y计算距离矩阵。
metrics.pairwise_distances_argmin(X,Y [,…])	计算一个点与一组点之间的最小距离。
metrics.pairwise_distances_argmin_min(X,Y)	计算一个点与一组点之间的最小距离。
metrics.pairwise_distances_chunked(X [,Y,…])	通过可选缩减逐块生成距离矩阵

sklearn.mixture:高斯混合模型

该sklearn.mixture模块实现了混合建模算法。

用户指南:有关更多详细信息,请参见“ 高斯混合模型”部分。

mixture.BayesianGaussianMixture([])	高斯混合的变分贝叶斯估计。
mixture.GaussianMixture([n_components,...])	高斯混合物。

sklearn.model_selection:选型
用户指南:请参阅交叉验证:评估估计器性能,调整估计器的超参数和 学习曲线部分,以了解更多详细信息。

分离器类

model_selection.GroupKFold([n_splits])	具有非重叠组的K折叠迭代器变体。
model_selection.GroupShuffleSplit([])	随机分组交叉验证迭代器
model_selection.KFold([n_splits,随机播放,...])	K折交叉验证器
model_selection.LeaveOneGroupOut	离开一个小组的交叉验证者
model_selection.LeavePGroupsOut(n_groups)	将P个组留给交叉验证器
model_selection.LeaveOneOut	留一法交叉验证器
model_selection.LeavePOut(p)	Leave-P-Out交叉验证器
model_selection.PredefinedSplit(test_fold)	预定义的拆分交叉验证器
model_selection.RepeatedKFold([n_splits,...])	重复的K折交叉验证器。
model_selection.RepeatedStratifiedKFold([])	重复分层K折交叉验证器。
model_selection.ShuffleSplit([n_splits,...])	随机置换交叉验证器
model_selection.StratifiedKFold([n_splits,...])	分层K折交叉验证器
model_selection.StratifiedShuffleSplit([])	分层ShuffleSplit交叉验证器
model_selection.TimeSeriesSplit([n_splits,...])	时间序列交叉验证器

分离器功能

model_selection.check_cv([cv,y,分类器])	输入检查器实用程序,用于构建交叉验证器
model_selection.train_test_split(\ *数组,...)	将数组或矩阵拆分为随机训练和测试子集

超参数优化器

model_selection.GridSearchCV(估算器,…)	详尽搜索指定参数的估计值。
model_selection.ParameterGrid(param_grid)	参数的网格,每个网格都有离散数量的值。
model_selection.ParameterSampler(…[,…])	根据给定分布采样的参数生成器。
model_selection.RandomizedSearchCV(…[,…])	随机搜索超参数。
model_selection.fit_grid_point(X,y,…[,…])	对一组参数进行拟合。

模型验证

model_selection.cross_validate(估算器,X)	通过交叉验证评估指标,并记录拟合/得分时间。
model_selection.cross_val_predict(估算器,X)	为每个输入数据点生成交叉验证的估计
model_selection.cross_val_score(估算器,X)	通过交叉验证评估分数
model_selection.learning_curve(估算器,X,y)	学习曲线。
model_selection.permutation_test_score(...)	通过排列评估交叉验证分数的重要性
model_selection.validation_curve(估算器,…)	验证曲线。

sklearn.multiclass:多类和多标签分类

多类和多标签分类策略
该模块实现了多类学习算法:
一对一休息/一对一休息
一对一
纠错输出代码
此模块中提供的估计器是元估计器:它们需要在其构造函数中提供基本估计器。例如,可以使用这些估计器将二进制分类器或回归器转换为多类分类器。也可以将这些估计器与多类估计器一起使用,以期提高其准确性或运行时性能。

scikit-learn中的所有分类器均实现多类分类;仅当您要尝试使用自定义多类别策略时,才需要使用此模块。

相对于其余的元分类器还实现了predict_proba方法,只要该方法由基本分类器实现即可。此方法在单标签和多标签情况下都返回类成员资格的概率。注意,在多标签情况下,概率是给定样本属于给定类别的边际概率。这样,在多标签情况下,给定样本的所有可能标签上的这些概率之和不会像在单标签情况下那样合计为一。

用户指南:有关更多详细信息,请参见“ 多类和多标签算法”部分。

multiclass.OneVsRestClassifier(估算器[,…])	一对一(OvR)的多类/多标签策略
multiclass.OneVsOneClassifier(估算器[,…])	一对一多类别策略
multiclass.OutputCodeClassifier(估算器[,…])	(错误纠正)输出代码多类策略

sklearn.multioutput:多输出回归和分类

该模块实现多输出回归和分类。

此模块中提供的估计器是元估计器:它们需要在其构造函数中提供基本估计器。元估计器将单输出估计器扩展到多输出估计器。

用户指南:有关更多详细信息,请参见“ 多类和多标签算法”部分。

multioutput.ClassifierChain(base_estimator)	将二元分类器排列到链中的多标签模型。
multioutput.MultiOutputRegressor(估算器)	多目标回归
multioutput.MultiOutputClassifier(估算器)	多目标分类
multioutput.RegressorChain(base_estimator [,…])	一个多标签模型,可将回归安排成一个链。

sklearn.naive_bayes:朴素贝叶斯

该sklearn.naive_bayes模块实现了朴素贝叶斯算法。这些是基于贝叶斯定理和强(天真)特征独立性假设的监督学习方法。

用户指南:有关更多详细信息,请参见“ 朴素贝叶斯”部分。

naive_bayes.BernoulliNB([alpha,二值化,…])	朴素贝叶斯分类器用于多元伯努利模型。
naive_bayes.GaussianNB([优先级,var_smoothing])	高斯朴素贝叶斯(GaussianNB)
naive_bayes.MultinomialNB([α, …])	朴素贝叶斯分类器用于多项模型
naive_bayes.ComplementNB([alpha,fit_prior,…])	在Rennie等人中描述的补体朴素贝叶斯分类器。

sklearn.neighbors:最近的邻居

该sklearn.neighbors模块实现k近邻算法。

用户指南:有关更多详细信息,请参见“ 最近邻居”部分。

neighbors.BallTree	BallTree用于快速广义N点问题
neighbors.DistanceMetric	DistanceMetric类
neighbors.KDTree	KDTree用于快速广义N点问题
neighbors.KernelDensity([带宽,...])	核密度估计
neighbors.KNeighborsClassifier([])	分类器执行k最近邻居投票。
neighbors.KNeighborsRegressor([n_neighbors,...])	基于k最近邻的回归。
neighbors.LocalOutlierFactor([n_neighbors,...])	使用局部离群因子(LOF)的无监督离群检测
neighbors.RadiusNeighborsClassifier([])	分类器在给定半径内实现邻居之间的投票
neighbors.RadiusNeighborsRegressor([半径,…])	基于固定半径内的邻居的回归。
neighbors.NearestCentroid([指标,...])	最近的质心分类器。
neighbors.NearestNeighbors([n_neighbors,...])	用于实施邻居搜索的无监督学习者。
neighbors.NeighborhoodComponentsAnalysis([])	邻域成分分析
neighbors.kneighbors_graph(X,n_neighbors [,…])	计算X中点的k邻居的(加权)图
neighbors.radius_neighbors_graph(X,半径)	计算X中点的邻居(加权)图

sklearn.neural_network:神经网络模型
该sklearn.neural_network模块包括基于神经网络的模型。

用户指南:有关更多详细信息,请参见神经网络模型(受监管)和神经网络模型(受监管)部分。

neural_network.BernoulliRBM([n_components,...])	伯努利限制玻尔兹曼机(RBM)。
neural_network.MLPClassifier([])	多层感知器分类器。
neural_network.MLPRegressor([])	多层感知器回归器。

sklearn.pipeline:连接器

该sklearn.pipeline模块实现实用程序以构建复合估计器,作为转换和估计器链。

pipeline.FeatureUnion(transformer_list [,…])	连接多个转换器对象的结果。
pipeline.Pipeline(步骤[,记忆,详细]	带有最终估算器的变换管线。
pipeline.make_pipeline(\ *步骤,\ * \ * kwargs)	根据给定的估计量构造管道。
pipeline.make_union(\ *变形金刚,\ * \ * kwargs)	从给定的转换器构造一个FeatureUnion。

sklearn.inspection:检查
该sklearn.inspection模块包括用于模型检查的工具。

inspection.partial_dependence(估算器,X,...)	的部分依赖features。
inspection.plot_partial_dependence(…[,…])	部分依赖图。

sklearn.preprocessing:预处理和规范化

该sklearn.preprocessing模块包括缩放,居中,归一化,二值化和插补方法。

用户指南:有关更多详细信息,请参见“ 预处理数据”部分。

preprocessing.Binarizer([阈值,副本])	根据阈值对数据进行二值化(将要素值设置为01)
preprocessing.FunctionTransformer([func,...])	从任意可调用对象构造一个转换器。
preprocessing.KBinsDiscretizer([n_bins,...])	将连续数据分成间隔。
preprocessing.KernelCenterer()	将内核矩阵居中
preprocessing.LabelBinarizer([neg_label,...])	以一对一的方式对标签进行二值化
preprocessing.LabelEncoder	使用0到n_classes-1之间的值编码标签。
preprocessing.MultiLabelBinarizer([班级,…])	在可迭代的可迭代对象和多标签格式之间进行转换
preprocessing.MaxAbsScaler([复制])	通过其最大绝对值缩放每个特征。
preprocessing.MinMaxScaler([feature_range,复制])	通过将每个要素缩放到给定范围来变换要素。
preprocessing.Normalizer([规范,复制])	将样本分别归一化为单位范数。
preprocessing.OneHotEncoder([n_values,…])	将分类整数特征编码为一键式数字数组。
preprocessing.OrdinalEncoder([类别,dtype])	将分类特征编码为整数数组。
preprocessing.PolynomialFeatures([学位,…])	生成多项式和交互特征。
preprocessing.PowerTransformer([方法, …])	逐个应用幂变换以使数据更像高斯型。
preprocessing.QuantileTransformer([])	使用分位数信息变换要素。
preprocessing.RobustScaler([with_centering,…])	使用对异常值具有鲁棒性的统计量来缩放要素。
preprocessing.StandardScaler([副本,...])	通过去除均值并缩放到单位方差来标准化特征
preprocessing.add_dummy_feature(X [,值])	具有附加虚拟功能的增强数据集。
preprocessing.binarize(X [,阈值,副本])	类数组或稀疏矩阵的布尔阈值
preprocessing.label_binarize(y,类[,…])	以一对一的方式对标签进行二值化
preprocessing.maxabs_scale(X [,轴,复制])	将每个要素缩放到[-11]范围,而不会破坏稀疏性。
preprocessing.minmax_scale(X[, …])	通过将每个要素缩放到给定范围来变换要素。
preprocessing.normalize(X [,范数,轴,...])	分别将输入向量缩放为单位范数(向量长度)。
preprocessing.quantile_transform(X [,轴,...])	使用分位数信息变换要素。
preprocessing.robust_scale(X [,轴,...])	沿任何轴标准化数据集
preprocessing.scale(X [,轴,with_mean,…])	沿任何轴标准化数据集
preprocessing.power_transform(X [,方法,...])	幂变换是一组参数化,单调变换,可用于使数据更像高斯型。

sklearn.random_projection:随机投影

随机投影变压器

随机投影是一种简单且计算有效的方法,可通过以一定数量的精度(作为附加方差)交换可控制的精度来减少数据的维数,以缩短处理时间并缩小模型尺寸。

控制随机投影矩阵的尺寸和分布,以保留数据集的任何两个样本之间的成对距离。

随机投影效率背后的主要理论结果是 Johnson-Lindenstrauss引理(引用Wikipedia):

在数学中,Johnson-Lindenstrauss引理是关于从高维到低维欧几里德空间的点的低失真嵌入的结果。引理指出,高维空间中的一小部分点可以以几乎保留点之间的距离的方式嵌入到低维空间中。用于嵌入的地图至少为Lipschitz,甚至可以视为正交投影。
用户指南:有关更多详细信息,请参见“ 随机投影”部分。

random_projection.GaussianRandomProjection([])	通过高斯随机投影降低维数
random_projection.SparseRandomProjection([])	通过稀疏随机投影降低尺寸
random_projection.johnson_lindenstrauss_min_dim(...)	查找要随机投影到的“安全”数量的组件

sklearn.semi_supervised半监督学习

该sklearn.semi_supervised模块实现了半监督学习算法。这些算法将少量标记的数据和大量未标记的数据用于分类任务。此模块包括标签传播。

用户指南:有关更多详细信息,请参见“ 半监督”部分。

semi_supervised.LabelPropagation([核心, …])	标签传播分类器
semi_supervised.LabelSpreading([核心, …])	用于半监督学习的LabelSpreading模型

sklearn.svm:支持向量机

该sklearn.svm模块包括支持向量机算法。

用户指南:有关更多详细信息,请参见支持向量机部分。

估计器

svm.LinearSVC([惩罚,损失,对偶,tol,C,...])	线性支持向量分类。
svm.LinearSVR([ε,tol,C,损失,…])	线性支持向量回归。
svm.NuSVC([nu,内核,度,伽玛,…])	Nu支持向量分类。
svm.NuSVR([nu,C,核,度,伽马,…])	Nu支持向量回归。
svm.OneClassSVM([内核,度,伽玛,…])	无监督异常值检测。
svm.SVC([C,内核,度,γ,coef0,…])	C支持向量分类。
svm.SVR([内核,度,伽玛,coef0,tol,...])	Epsilon支持向量回归。
svm.l1_min_c(X,y [,损失,fit_intercept,...])	返回C的最低界限,以确保对于(l1_min_C,infinity)中的C,该模型不能为空。

低级别的方法

svm.libsvm.cross_validation()	交叉验证例程(低级例程)的绑定
svm.libsvm.decision_function()	预测裕度(为此的libsvm名称为predict_values)
svm.libsvm.fit()	使用libsvm训练模型(低级方法)
svm.libsvm.predict()	在给定模型的情况下预测X的目标值(低级方法)
svm.libsvm.predict_proba()	预测概率

sklearn.tree:决策树

该sklearn.tree模块包括用于分类和回归的基于决策树的模型。

用户指南:有关更多详细信息,请参见“ 决策树”部分。

tree.DecisionTreeClassifier([标准,...])	决策树分类器。
tree.DecisionTreeRegressor([标准,...])	决策树回归器。
tree.ExtraTreeClassifier([标准,...])	极为随机的树分类器。
tree.ExtraTreeRegressor([标准,...])	一个极其随机的树回归器。
tree.export_graphviz(决策树[, …])	以DOT格式导出决策树。
tree.plot_tree(decision_tree [,max_depth,…])	绘制决策树。
tree.export_text(决策树[, …])	建立一个文本报告,显示决策树的规则。

sklearn.utils:实用工具

该sklearn.utils模块包括各种实用程序。

开发人员指南:有关更多详细信息,请参见“ 开发人员实用程序”页面。

utils.arrayfuncs.cholesky_delete(L,出去)	
utils.arrayfuncs.min_pos()	在正值上找到数组的最小值
utils.as_float_array(X [,复制,force_all_finite])	将类似数组的数组转换为浮点数组。
utils.assert_all_finite(X [,allow_nan])	如果X包含NaN或无穷大,则引发ValueError。
utils.check_X_y(X,y [,accept_sparse,...])	标准估算器的输入验证。
utils.check_array(数组[,accept_sparse,…])	对数组,列表,稀疏矩阵或类似内容进行输入验证。
utils.check_scalar(x,名称,target_type [,…])	验证标量参数的类型和值。
utils.check_consistent_length(\ *数组)	检查所有阵列的第一维度是否一致。
utils.check_random_state(种子)	将种子转换为np.random.RandomState实例
utils.class_weight.compute_class_weight(...)	估计不平衡数据集的类权重。
utils.class_weight.compute_sample_weight(...)	对于不平衡的数据集,按类别估算样本权重。
utils.deprecated([额外])	装饰器,用于将功能或类标记为不推荐使用。
utils.estimator_checks.check_estimator(估算者)	检查估计器是否遵守scikit-learn约定。
utils.extmath.safe_sparse_dot(a,b [,…])	正确处理稀疏矩阵案例的点积
utils.extmath.randomized_range_finder(一种, …)	计算一个正交矩阵,其范围近似于A的范围。
utils.extmath.randomized_svd(M,n_components)	计算截断的随机SVD
utils.extmath.fast_logdet(一种)	计算一个对称的log(det(A))
utils.extmath.density(w,\ * \ * kwargs)	计算稀疏向量的密度
utils.extmath.weighted_mode(a,w [,轴])	返回数组中加权模态(最常见)值的数组
utils.gen_even_slices(n,n_packs [,n_samples])	生成器创建n_packs片,最多可达n。
utils.graph.single_source_shortest_path_length(...)	返回从源到所有可达节点的最短路径长度。
utils.graph_shortest_path.graph_shortest_path()	对正有向图或无向图执行最短路径图搜索。
utils.indexable(\ *可重复项)	使数组可索引以进行交叉验证。
utils.metaestimators.if_delegate_has_method(...)	为委托给子估计器的方法创建一个装饰器
utils.multiclass.type_of_target(y)	确定目标指示的数据类型。
utils.multiclass.is_multilabel(y)	检查是否y为多标签格式。
utils.multiclass.unique_labels(\ *是)	提取唯一标签的有序数组
utils.murmurhash3_32()	计算种子的密钥的32位murmurhash3。
utils.resample(\ *数组,\ * \ *选项)	以一致的方式重新采样数组或稀疏矩阵
utils.safe_indexing(X,指数)	使用索引从X返回项目或行。
utils.safe_mask(X,面具)	返回可以在X上安全使用的面罩。
utils.safe_sqr(X [,复制])	类数组和稀疏矩阵的元素明智平方。
utils.shuffle(\ *数组,\ * \ *选项)	以一致的方式随机排列数组或稀疏矩阵
utils.sparsefuncs.incr_mean_variance_axis(X, …)	计算CSR或CSC矩阵上沿轴的增量平均值和方差。
utils.sparsefuncs.inplace_column_scale(X,比例尺)	CSC / CSR矩阵的就地列缩放。
utils.sparsefuncs.inplace_row_scale(X,比例尺)	CSR或CSC矩阵的就地行缩放。
utils.sparsefuncs.inplace_swap_row(X,m,n)	就地交换两行CSC / CSR矩阵。
utils.sparsefuncs.inplace_swap_column(X,m,n)	就地交换两列CSC / CSR矩阵。
utils.sparsefuncs.mean_variance_axis(X,轴)	计算CSR或CSC矩阵上沿轴的均值和方差
utils.sparsefuncs.inplace_csr_column_scale(X, …)	CSR矩阵的原位缩放。
utils.sparsefuncs_fast.inplace_csr_row_normalize_l1()	使用l1范数进行就地行归一化
utils.sparsefuncs_fast.inplace_csr_row_normalize_l2()	使用l2范数进行就地行规范化
utils.random.sample_without_replacement()	采样整数而不进行替换。
utils.validation.check_is_fitted(估算器,…)	对估算器执行is_fitted验证。
utils.validation.check_memory(记忆)	检查memory是否类似于joblib.Memory。
utils.validation.check_symmetric(数组[,…])	确保该数组是二维,正方形和对称的。
utils.validation.column_or_1d(y [,警告])	Ravel列或一维numpy数组,否则引发错误
utils.validation.has_fit_parameter(...)	检查估计器的fit方法是否支持给定参数。
utils.testing.assert_in(成员,container [,msg])	就像self.assertTrue(a in b)一样,但是带有更好的默认消息。
utils.testing.assert_not_in(成员,容器)	就像self.assertTrue(a不在b中),但是带有更好的默认消息。
utils.testing.assert_raise_message(...)	Helper函数测试异常中引发的消息。
utils.testing.all_estimators([])	从sklearn获取所有估计量的列表。

来自joblib的实用程序:

utils.parallel_backend(后端[,n_jobs]) 在with块中更改Parallel使用的默认后端。
utils.register_parallel_backend(名称,工厂) 注册一个新的并行后端工厂。

版本变更

最近不推荐使用的

在0.23版本中删除

utils.Memory(* args,** kwargs)
属性:
utils.Parallel(* args,** kwargs)
方法

utils.cpu_count()	弃用:在0.20.1版中弃用,在0.23版中将其删除。
utils.delayed(函数[,check_pickle])	弃用:在0.20.1版中弃用,在0.23版中将其删除。
metrics.calinski_harabaz_score(X,标签)	已弃用:函数“ calinski_harabaz_score”已重命名为“ calinski_harabasz_score”,并将在0.23版中删除。
metrics.jaccard_similarity_score(y_true,y_pred)	雅卡德相似系数得分
linear_model.logistic_regression_path(X,y)	已弃用:logistic_regression_path在0.21版中已弃用,并将在

0.23.0版中删除

ensemble.partial_dependence.partial_dependence(...)	不推荐使用:函数ensemble.partial_dependence已在0.21中被弃用,而改名为inspect.partial_dependence,并将在0.23中被删除。
ensemble.partial_dependence.plot_partial_dependence(...)	不推荐使用:为了支持sklearn.inspection.plot_partial_dependence,不推荐使用ensemble.plot_partial_dependence函数,而在0.21中将其删除。

在0.22中删除

covariance.GraphLasso(* args,** kwargs)	带有l1惩罚估计量的稀疏逆协方差估计。
covariance.GraphLassoCV(* args,** kwargs)	带有l1罚分的交叉验证选择的稀疏逆协方差。
preprocessing.Imputer(* args,** kwargs)	插补变压器,用于完成缺失值。
utils.testing.mock_mldata_urlopen(* args,...)	模拟urlopen函数以伪造对mldata的请求的对象。
covariance.graph_lasso(emp_cov,alpha [,…])	已弃用:“ graph_lasso”在0.20版中已重命名为“ graphical_lasso”,并将在0.22版中删除。
datasets.fetch_mldata(数据名[,…])	已弃用:fetch_mldata在0.20版中已弃用,并将在0.22版中删除。
datasets.mldata_filename(资料名称)	不推荐使用:mldata_filename在0.20版中已弃用,并将在0.22版中删除。

你可能感兴趣的:(python库)