API参考
这是scikit学习的类和函数参考。有关详细信息，请参阅完整的用户指南，因为类和功能原始规格可能不足以给出其使用的完整指导。
sklearn.base：基类和效用函数
所有估计器的基类。
基类
base.BaseEstimator |
scikit学习中所有估计的基础类 |
base.ClassifierMixin |
所有分类器的混合类在scikit学习。 |
base.ClusterMixin |
所有群集估计器的混合类在scikit学习中。 |
base.RegressorMixin |
所有回归估计的混合类在scikit学习。 |
base.TransformerMixin |
所有变压器的混合类在scikit学习。 |
函数
base.clone（估计量[，安全]） |
构造一个具有相同参数的新估计器。 |
sklearn.cluster：聚类
该sklearn.cluster模块收集流行的无监督聚类算法。
用户指南：有关详细信息，请参阅“ 集群”部分。
类
cluster.AffinityPropagation（[阻尼，...]） |
执行亲和度传播数据聚类。 |
cluster.AgglomerativeClustering（[...]） |
集聚聚类 |
cluster.Birch（[threshold，branching_factor，...]） |
实现Birch聚类算法。 |
cluster.DBSCAN（[eps，min_samples，metric，...]） |
从矢量阵列或距离矩阵执行DBSCAN聚类。 |
cluster.FeatureAgglomeration（[n_clusters，...]） |
聚集特征。 |
cluster.KMeans（[n_clusters，init，n_init，...]） |
K均值聚类 |
cluster.MiniBatchKMeans（[n_clusters，init，...]） |
小批量K均值聚类 |
cluster.MeanShift（[带宽，种子，...]） |
使用平坦内核的平均移位聚类。 |
cluster.SpectralClustering（[n_clusters，...]） |
应用聚类到对规范化拉普拉斯算子的投影。 |
函数
cluster.estimate_bandwidth（X [，quantile ...]） |
估计与平均移位算法一起使用的带宽。 |
cluster.k_means（X，n_clusters [，init，...]） |
K均值聚类算法。 |
cluster.ward_tree（X [，连通性，...]） |
基于特征矩阵的区域聚类。 |
cluster.affinity_propagation（S [，...]） |
执行亲和度传播数据聚类 |
cluster.dbscan（X [，eps，min_samples，...]） |
从矢量阵列或距离矩阵执行DBSCAN聚类。 |
cluster.mean_shift（X [，带宽，种子...]） |
使用平坦内核执行数据的平均移位聚类。 |
cluster.spectral_clustering（亲和力[，...]） |
应用聚类到对规范化拉普拉斯算子的投影。 |
sklearn.cluster.bicluster：双聚类
光谱二聚体算法。
作者：Kemal Eren许可证：BSD 3条款
用户指南：有关详细信息，请参阅Biclustering部分。
类
SpectralBiclustering（[n_clusters，method，...]） |
光谱二聚体（Kluger，2003）。 |
SpectralCoclustering（[n_clusters，...]） |
光谱共聚焦算法（Dhillon，2001）。 |
sklearn.covariance：协方差估计
该sklearn.covariance模块包括方法和算法，以鲁棒地估计给定一组点的特征的协方差。定义为协方差的倒数的精度矩阵也被估计。协方差估计与高斯图形模型的理论密切相关。
用户指南：有关详细信息，请参见协方差估计部分。
covariance.EmpiricalCovariance（[...]） |
最大似然协方差估计 |
covariance.EllipticEnvelope（[...]） |
用于检测高斯分布数据集中异常值的对象。 |
covariance.GraphLasso（[alpha，mode，tol，...]） |
具有l1惩罚估计量的稀疏逆协方差估计。 |
covariance.GraphLassoCV（[alphas，...]） |
稀疏逆协方差与交叉验证的l1罚款的选择 |
covariance.LedoitWolf（[store_precision，...]） |
Ledoit狼估计 |
covariance.MinCovDet（[store_precision，...]） |
最小协方差决定因素（MCD）：协方差的鲁棒估计。 |
covariance.OAS（[store_precision，...]） |
Oracle近似收缩估算器 |
covariance.ShrunkCovariance（[...]） |
协方差估计与收缩 |
covariance.empirical_covariance（X[， ...]） |
计算最大似然协方差估计 |
covariance.ledoit_wolf（X [，puts_centered ...]） |
估计缩小的Ledoit-Wolf协方差矩阵。 |
covariance.shrunk_covariance（emp_cov [，...]） |
计算对角线收缩的协方差矩阵 |
covariance.oas（X [，puts_centered]） |
使用Oracle近似收缩算法估计协方差。 |
covariance.graph_lasso（emp_cov，alpha [，...]） |
l1惩罚协方差估计 |
sklearn.model_selection：模型选择
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 学习曲线部分以获取更多详细信息。
分割器类
model_selection.KFold（[n_splits，shuffle，...]） |
K-折叠交叉验证器 |
model_selection.GroupKFold（[n_splits]） |
具有非重叠组的K-fold迭代器变体。 |
model_selection.StratifiedKFold（[n_splits，...]） |
分层K-折叠交叉验证器 |
model_selection.LeaveOneGroupOut（） |
离开一个组交叉验证器 |
model_selection.LeavePGroupsOut（n_groups） |
离开P组交叉验证器 |
model_selection.LeaveOneOut（） |
一次性交叉验证器 |
model_selection.LeavePOut（p）的 |
Leave-P-Out交叉验证器 |
model_selection.ShuffleSplit（[n_splits，...]） |
随机置换交叉验证器 |
model_selection.GroupShuffleSplit（[...]） |
随机组 - - 交叉验证迭代器 |
model_selection.StratifiedShuffleSplit（[...]） |
分层ShuffleSplit交叉验证器 |
model_selection.PredefinedSplit（test_fold） |
预定义分割交叉验证器 |
model_selection.TimeSeriesSplit（[n_splits]） |
时间序列交叉验证器 |
分割函数
model_selection.train_test_split（ *数组，...） |
将阵列或矩阵分解成随机列和测试子集 |
model_selection.check_cv（[cv，y，分类器]） |
用于构建交叉验证器的输入检查器实用程序 |
超参数优化
model_selection.GridSearchCV（估计，...） |
对估计器的指定参数值进行详尽搜索。 |
model_selection.RandomizedSearchCV（... [，...]） |
随机搜索超参数。 |
model_selection.ParameterGrid（param_grid） |
每个参数的网格具有离散数值。 |
model_selection.ParameterSampler（... [，...]） |
发电机对从给定分布采样的参数。 |
model_selection.fit_grid_point（X，y，... [，...]） |
运行适合一组参数。 |
模型验证
model_selection.cross_val_score（估计器，X） |
通过交叉验证评估分数 |
model_selection.cross_val_predict（估计器，X） |
为每个输入数据点生成交叉验证的估计 |
model_selection.permutation_test_score（......） |
评估具有排列的交叉验证分数的意义 |
model_selection.learning_curve（估计器，X，y） |
学习曲线。 |
model_selection.validation_curve（估计，...） |
验证曲线。 |
sklearn.datasets：数据集
该sklearn.datasets模块包括用于加载数据集的实用程序，包括加载和获取流行参考数据集的方法。它还具有一些人工数据生成器。
用户指南：有关详细信息，请参阅数据集加载实用程序部分。
装载机
datasets.clear_data_home（[data_home]） |
删除数据家庭缓存的所有内容。 |
datasets.get_data_home（[data_home]） |
返回scikit学习数据目录的路径。 |
datasets.fetch_20newsgroups（[data_home，...]） |
加载20个新闻组数据集中的文件名和数据。 |
datasets.fetch_20newsgroups_vectorized（[...]） |
加载20个新闻组数据集并将其转换为tf-idf向量。 |
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 [，...]） |
加载具有子文件夹名称类别的文本文件。 |
datasets.load_iris（[return_X_y]） |
加载并返回虹膜数据集（分类）。 |
datasets.fetch_lfw_pairs（[子集，...]） |
用于野外（LFW）对数据集中的标记面的装载器 |
datasets.fetch_lfw_people（[data_home，...]） |
野外（LFW）人物数据集中的标记面的装载程序 |
datasets.load_linnerud（[return_X_y]） |
加载并返回linnerud数据集（多元回归）。 |
datasets.mldata_filename（数据名） |
转换mldata.org文件名中的数据集的原始名称。 |
datasets.fetch_mldata（dataname [，...]） |
获取mldata.org数据集 |
datasets.fetch_olivetti_faces（[data_home，...]） |
Olivetti的装载机面向AT＆T的数据集。 |
datasets.fetch_california_housing（[...]） |
来自StatLib的加州住房数据集的装载机。 |
datasets.fetch_covtype（[data_home，...]） |
加载封面类型数据集，必要时将其下载。 |
datasets.fetch_kddcup99（[subset，shuffle，...]） |
加载并返回kddcup 99数据集（分类）。 |
datasets.fetch_rcv1（[data_home，子集，...]） |
加载RCV1 multilabel数据集，必要时下载。 |
datasets.load_mlcomp（name_or_id [，set_，...]） |
加载从http://mlcomp.org下载的数据集 |
datasets.load_sample_image（IMAGE_NAME） |
加载单个样本图像的numpy数组 |
datasets.load_sample_images（） |
加载样品图像进行图像处理。 |
datasets.fetch_species_distributions（[...]） |
来自Phillips等的物种分布数据集装载机 |
datasets.load_svmlight_file（f [，n_features，...]） |
将svmlight / libsvm格式的数据集加载到稀疏的CSR矩阵中 |
datasets.load_svmlight_files（files [，...]） |
从SVMlight格式的多个文件加载数据集 |
datasets.dump_svmlight_file（X，y，f [，...]） |
以svmlight / libsvm文件格式转储数据集。 |
样本生成器
datasets.make_blobs（[n_samples，n_features，...]） |
生成用于聚类的各向同性高斯斑点。 |
datasets.make_classification（[n_samples，...]） |
生成随机n类分类问题。 |
datasets.make_circles（[n_samples，shuffle，...]） |
在2d中制作一个包含较小圆的大圆。 |
datasets.make_friedman1（[n_samples，...]） |
产生“Friedman＃1”回归问题 |
datasets.make_friedman2（[n_samples，noise，...]） |
产生“Friedman＃2”回归问题 |
datasets.make_friedman3（[n_samples，noise，...]） |
产生“Friedman＃3”回归问题 |
datasets.make_gaussian_quantiles（[意思， ...]） |
通过分位数生成各向同性高斯和标签样本 |
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大多数低阶矩阵 |
datasets.make_moons（[n_samples，shuffle，...]） |
使两个交错半圈 |
datasets.make_multilabel_classification（[...]） |
产生一个随机的多标签分类问题。 |
datasets.make_regression（[n_samples，...]） |
产生随机回归问题。 |
datasets.make_s_curve（[n_samples，noise，...]） |
生成S曲线数据集。 |
datasets.make_sparse_coded_signal（n_samples，...） |
生成信号作为字典元素的稀疏组合。 |
datasets.make_sparse_spd_matrix（[dim，...]） |
产生一个稀疏的对称确定正矩阵。 |
datasets.make_sparse_uncorrelated（[...]） |
生成稀疏不相关设计的随机回归问题 |
datasets.make_spd_matrix（n_dim [，random_state]） |
产生一个随机对称的正定矩阵。 |
datasets.make_swiss_roll（[n_samples，noise，...]） |
生成瑞士卷数据集。 |
datasets.make_biclusters（形状，n_clusters） |
生成一个具有恒定块对角线结构的阵列，用于二聚体。 |
datasets.make_checkerboard（形状，n_clusters） |
生成具有块棋盘结构的数组，用于双向聚合。 |
sklearn.decomposition矩阵分解
该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被认为是降维技术。
用户指南：有关详细信息，请参阅组件中的分解信号（矩阵分解问题）部分。
decomposition.PCA（[n_components，copy，...]） |
主成分分析（PCA） |
decomposition.IncrementalPCA（[n_components，...]） |
增量主成分分析（IPCA）。 |
decomposition.ProjectedGradientNMF（ * args，...） |
非负矩阵因子分解（NMF） |
decomposition.KernelPCA（[n_components，...]） |
核心主成分分析（KPCA） |
decomposition.FactorAnalysis（[n_components，...]） |
因子分析（FA） |
decomposition.FastICA（[n_components，...]） |
FastICA：独立分量分析的快速算法。 |
decomposition.TruncatedSVD（[n_components，...]） |
使用截断的SVD（也称为LSA）进行尺寸缩小。 |
decomposition.NMF（[n_components，init，...]） |
非负矩阵因子分解（NMF） |
decomposition.SparsePCA（[n_components，...]） |
稀疏主成分分析（SparsePCA） |
decomposition.MiniBatchSparsePCA（[...]） |
小批量稀疏主成分分析 |
decomposition.SparseCoder（字典[，...]） |
稀疏编码 |
decomposition.DictionaryLearning（[...]） |
词典学习 |
decomposition.MiniBatchDictionaryLearning（[...]） |
小批量字典学习 |
decomposition.LatentDirichletAllocation（[...]） |
潜在的Dirichlet分配与在线变分贝叶斯算法 |
decomposition.fastica（X [，n_components，...]） |
执行快速独立分量分析。 |
decomposition.dict_learning（X，n_components，...） |
解决词典学习矩阵分解问题。 |
decomposition.dict_learning_online（X[， ...]） |
在线解决词典学习矩阵分解问题。 |
decomposition.sparse_encode（X，字典[，...]） |
稀疏编码 |
sklearn.dummy：虚拟估计
用户指南：有关详细信息，请参阅模型评估：量化预测部分的质量部分。
dummy.DummyClassifier（[策略，...]） |
DummyClassifier是使用简单规则进行预测的分类器。 |
dummy.DummyRegressor（[策略，常数，...]） |
DummyRegressor是使用简单规则进行预测的倒数。 |
sklearn.ensemble：合奏方法
该sklearn.ensemble模块包括用于分类，回归和异常检测的基于集合的方法。
用户指南：有关详细信息，请参阅“ 集合方法”部分。
ensemble.AdaBoostClassifier（[...]） |
一个AdaBoost分类器。 |
ensemble.AdaBoostRegressor（[base_estimator，...]） |
AdaBoost回归。 |
ensemble.BaggingClassifier（[base_estimator，...]） |
袋装分类器 |
ensemble.BaggingRegressor（[base_estimator，...]） |
一袋装回归。 |
ensemble.ExtraTreesClassifier（[...]） |
一个额外的树分类器。 |
ensemble.ExtraTreesRegressor（[n_estimators，...]） |
额外的树木回归。 |
ensemble.GradientBoostingClassifier（[失利， ...]） |
梯度提升分类。 |
ensemble.GradientBoostingRegressor（[失利， ...]） |
渐变提升回归。 |
ensemble.IsolationForest（[n_estimators，...]） |
隔离森林算法 |
ensemble.RandomForestClassifier（[...]） |
随机森林分类器。 |
ensemble.RandomTreesEmbedding（[...]） |
一个完全随机的树的合奏。 |
ensemble.RandomForestRegressor（[...]） |
随机森林回归。 |
ensemble.VotingClassifier（估计量[，...]） |
软投票/大多数规则分类器。 |
部分依赖
树组合的部分依赖图。
ensemble.partial_dependence.partial_dependence（......） |
部分依赖target_variables。 |
ensemble.partial_dependence.plot_partial_dependence（......） |
部分依赖图features。 |
sklearn.exceptions：异常和警告
该sklearn.exceptions模块包括在scikit学习中使用的所有自定义警告和错误类。
exceptions.NotFittedError |
如果在拟合前使用估计器，则提升异常类。 |
exceptions.ChangedBehaviorWarning |
用于通知用户任何行为变化的警告类。 |
exceptions.ConvergenceWarning |
捕捉收敛问题的自定义警告 |
exceptions.DataConversionWarning |
警告用于通知代码中发生的隐式数据转换。 |
exceptions.DataDimensionalityWarning |
自定义警告以通知数据维度的潜在问题。 |
exceptions.EfficiencyWarning |
用于通知用户无效计算的警告。 |
exceptions.FitFailedWarning |
如果在拟合估计器时发生错误，则使用警告类。 |
exceptions.NonBLASDotWarning |
点操作不使用BLAS时使用的警告。 |
exceptions.UndefinedMetricWarning |
当度量无效时使用的警告 |
sklearn.feature_extraction：特征提取
该sklearn.feature_extraction模块处理原始数据的特征提取。它目前包括从文本和图像中提取功能的方法。
用户指南：有关详细信息，请参阅特征提取部分。
feature_extraction.DictVectorizer（[dtype，...]） |
将特征值映射列表转换为向量。 |
feature_extraction.FeatureHasher（[...]） |
实现哈希算法，又称哈希技巧。 |
从图像
该sklearn.feature_extraction.image子模块收集实用程序从图像中提取特征。
feature_extraction.image.img_to_graph（img [，...]） |
像素到像素梯度连接的图形 |
feature_extraction.image.grid_to_graph（n_x，n_y） |
像素到像素连接的图形 |
feature_extraction.image.extract_patches_2d（......） |
将2D图像重新整理成一组补丁 |
feature_extraction.image.reconstruct_from_patches_2d（......） |
从其所有补丁重建图像。 |
feature_extraction.image.PatchExtractor（[...]） |
从图像集中提取补丁 |
从文本
该sklearn.feature_extraction.text子模块收集实用程序从文本文档建立特征向量。
feature_extraction.text.CountVectorizer（[...]） |
将文本文档的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发生的矩阵 |
feature_extraction.text.TfidfTransformer（[...]） |
将计数矩阵转换为归一化tf或tf-idf表示 |
feature_extraction.text.TfidfVectorizer（[...]） |
将原始文档的集合转换为TF-IDF功能的矩阵。 |
sklearn.feature_selection：特征选择
该sklearn.feature_selection模块实现特征选择算法。它目前包括单变量筛选方法和递归特征消除算法。
用户指南：有关详细信息，请参阅功能选择部分。
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功能。 |
feature_selection.SelectKBest（[score_func，k]） |
根据k最高分选择功能。 |
feature_selection.SelectFpr（[score_func，alpha]） |
过滤器：根据FPR测试选择低于alpha的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（估计） |
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：选择对应于同系误差率的p值 |
feature_selection.RFE（估计量[，...]） |
功能排序与递归功能消除。 |
feature_selection.RFECV（估计[，步，...]） |
功能排序与递归功能消除和交叉验证选择最佳数量的功能。 |
feature_selection.VarianceThreshold（[阈]） |
功能选择器可删除所有低方差特征。 |
feature_selection.chi2（X，y） |
计算每个非负特征和类之间的平方统计。 |
feature_selection.f_classif（X，y） |
计算所提供样本的方差分析F值。 |
feature_selection.f_regression（X，y [，center]） |
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模块实现了基于高斯过程的回归和分类。
用户指南：有关详细信息，请参阅高斯过程部分。
gaussian_process.GaussianProcessRegressor（[...]） |
高斯过程回归（GPR）。 |
gaussian_process.GaussianProcessClassifier（[...]） |
基于拉普拉斯逼近的高斯过程分类（GPC）。 |
仁：
gaussian_process.kernels.Kernel |
所有内核的基类。 |
gaussian_process.kernels.Sum（k1，k2） |
两个内核k1和k2的和核k1 + k2。 |
gaussian_process.kernels.Product（k1，k2） |
两个内核k1和k2的产品内核k1 * k2。 |
gaussian_process.kernels.Exponentiation（......） |
通过给定指数来指定内核。 |
gaussian_process.kernels.ConstantKernel（[...]） |
恒定内核。 |
gaussian_process.kernels.WhiteKernel（[...]） |
白内核。 |
gaussian_process.kernels.RBF（[length_scale，...]） |
径向基函数核（又称平方指数核）。 |
gaussian_process.kernels.Matern（[...]） |
母粒 |
gaussian_process.kernels.RationalQuadratic（[...]） |
合理的二次内核。 |
gaussian_process.kernels.ExpSineSquared（[...]） |
正弦平方内核。 |
gaussian_process.kernels.DotProduct（[...]） |
Dot-Product内核。 |
gaussian_process.kernels.PairwiseKernel（[...]） |
在sklearn.metrics.pairwise中的内核包装器。 |
gaussian_process.kernels.CompoundKernel（内核） |
由一组其他内核组成的内核。 |
gaussian_process.kernels.Hyperparameter |
内核超参数的规范以namedtuple的形式。 |
sklearn.isotonic：等式回归
用户指南：有关详细信息，请参见等渗回归部分。
isotonic.IsotonicRegression（[y_min，y_max，...]） |
等渗回归模型。 |
isotonic.isotonic_regression（y [，...]） |
求解等渗回归模型： |
isotonic.check_increasing（x，y） |
确定y是否与x单调相关。 |
sklearn.kernel_approximation内核逼近
该sklearn.kernel_approximation模块基于傅里叶变换实现了几个近似的核心特征图。
用户指南：有关详细信息，请参阅内核近似部分。
kernel_approximation.AdditiveChi2Sampler（[...]） |
加性chi2核的近似特征图。 |
kernel_approximation.Nystroem（[核心， ...]） |
使用训练数据的子集近似一个内核映射。 |
kernel_approximation.RBFSampler（[γ，...]） |
通过傅里叶变换的Monte Carlo近似近似RBF核的特征图。 |
kernel_approximation.SkewedChi2Sampler（[...]） |
通过其傅立叶变换的蒙特卡罗近似近似的“偏斜卡方”核的特征图。 |
sklearn.kernel_ridge内核岭回归
模块sklearn.kernel_ridge实现内核脊回归。
用户指南：有关更多详细信息，请参阅Kernel ridge回归部分。
kernel_ridge.KernelRidge（[alpha，kernel，...]） |
内核岭回归。 |
sklearn.discriminant_analysis判别分析
线性判别分析和二次判别分析
用户指南：有关详细信息，请参阅线性和二次判别分析部分。
discriminant_analysis.LinearDiscriminantAnalysis（[...]） |
线性判别分析 |
discriminant_analysis.QuadraticDiscriminantAnalysis（[...]） |
二次判别分析 |
sklearn.linear_model：广义线性模型
该sklearn.linear_model模块实现广义线性模型。它包括利用最小角度回归和坐标下降计算的岭回归，贝叶斯回归，套索和弹性网估计。它还实现随机梯度下降相关算法。
用户指南：有关详细信息，请参阅“ 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，...]） |
贝叶斯脊回归 |
linear_model.ElasticNet（[α，l_]，...]） |
线性回归与组合L1和L2先验作为正则化器。 |
linear_model.ElasticNetCV（[l1_ratio，eps，...]） |
弹性网模型沿正则化路径迭代拟合 |
linear_model.HuberRegressor（[ε，...]） |
线性回归模型，对离群值是鲁棒的。 |
linear_model.Lars（[fit_intercept，verbose，...]） |
最小角度回归模型 |
linear_model.LarsCV（[fit_intercept，...]） |
交叉验证的最小二乘回归模型 |
linear_model.Lasso（[alpha，fit_intercept，...]） |
线性模型训练用L1作为矫正器（也称拉索） |
linear_model.LassoCV（[eps，n_alphas，...]） |
拉索线性模型，沿着正则化路径迭代拟合 |
linear_model.LassoLars（[α， ...]） |
Lasso模型也适合最小角度回归 |
linear_model.LassoLarsCV（[fit_intercept，...]） |
使用LARS算法进行交叉验证的Lasso |
linear_model.LassoLarsIC（[标准，...]） |
Lasso模型适合Lars使用BIC或AIC进行模型选择 |
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， ...]） |
用L1 / L2混合规范训练的多任务Lasso模型作为正则化器 |
linear_model.MultiTaskElasticNet（[α， ...]） |
用L1 / L2混合规范训练的多任务ElasticNet模型作为正则化器 |
linear_model.MultiTaskLassoCV（[eps，...]） |
多任务L1 / L2 Lasso内置交叉验证。 |
linear_model.MultiTaskElasticNetCV（[...]） |
多任务L1 / L2 ElasticNet内置交叉验证。 |
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（[...]） |
被动侵略分类器 |
linear_model.PassiveAggressiveRegressor（[C， ...]） |
被动侵略者 |
linear_model.Perceptron（[罚款，阿尔法，...]） |
在“ 用户指南”中阅读更多。 |
linear_model.RandomizedLasso（[α， ...]） |
随机拉索。 |
linear_model.RandomizedLogisticRegression（[...]） |
随机逻辑回归 |
linear_model.RANSACRegressor（[...]） |
RANSAC（RANdom SAmple Consensus）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， ...]） |
分类器使用Ridge回归。 |
linear_model.RidgeClassifierCV（[alphas，...]） |
里奇分类器内置交叉验证。 |
linear_model.RidgeCV（[alphas，...]） |
里奇回归与内置交叉验证。 |
linear_model.SGDClassifier（[损失，罚款...]） |
线性分类器（SVM，逻辑回归，ao）与SGD训练。 |
linear_model.SGDRegressor（[损失，罚款...]） |
通过使用SGD最小化正则化经验损失拟合的线性模型 |
linear_model.TheilSenRegressor（[...]） |
Theil-Sen估计：强大的多变量回归模型。 |
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.lasso_path（X，y [，eps，...]） |
计算具有坐标下降的Lasso路径 |
linear_model.lasso_stability_path（X，y [，...]） |
基于随机Lasso估计的稳定性路径 |
linear_model.logistic_regression_path（X，y） |
为正则化参数列表计算逻辑回归模型。 |
linear_model.orthogonal_mp（X，y [，...]） |
正交匹配追踪（OMP） |
linear_model.orthogonal_mp_gram（Gram，Xy [，...]） |
革命正交匹配追踪（OMP） |
sklearn.manifold：歧管学习
该sklearn.manifold模块实现数据嵌入技术。
用户指南：有关详细信息，请参阅歧管学习部分。
manifold.LocallyLinearEmbedding（[...]） |
局部线性嵌入 |
manifold.Isomap（[n_neighbors，n_components，...]） |
Isomap嵌入 |
manifold.MDS（[n_components，metric，n_init，...]） |
多维缩放 |
manifold.SpectralEmbedding（[n_components，...]） |
用于非线性维数降低的光谱嵌入。 |
manifold.TSNE（[n_components，困惑，...]） |
t分布随机相邻嵌入。 |
manifold.locally_linear_embedding（X， ...[， ...]） |
对数据执行本地线性嵌入分析。 |
manifold.spectral_embedding（邻接[...]） |
将样本投影在拉普拉斯算子的第一个特征向量上。 |
sklearn.metrics：度量
有关详细信息，请参阅模型评估：量化用户指南的预测部分的质量部分和成对度量度，亲和力和内核部分。
该sklearn.metrics模块包括分数函数，性能度量和成对度量和距离计算。
选型接口
有关详细信息，请参阅评分参数：定义用户指南的模型评估规则部分。
metrics.make_scorer（score_func [，...]） |
从表现指标或损失函数中取得得分手。 |
metrics.get_scorer（得分） |
分类度量
有关详细信息，请参阅用户指南的“ 分类指标”部分。
metrics.accuracy_score（y_true，y_pred [，...]） |
精度分类得分。 |
metrics.auc（x，y [，reorder]） |
曲线下的计算面积（AUC）使用梯形规则 |
metrics.average_precision_score（y_true，y_score） |
从预测分数计算平均精度（AP） |
metrics.brier_score_loss（y_true，y_prob [，...]） |
计算Brier分数。 |
metrics.classification_report（y_true，y_pred） |
构建显示主要分类指标的文本报告 |
metrics.cohen_kappa_score（y1，y2 [，labels，...]） |
科恩的kappa：衡量标注者间协议的统计。 |
metrics.confusion_matrix（y_true，y_pred [，...]） |
计算混淆矩阵来评估分类的准确性 |
metrics.f1_score（y_true，y_pred [，labels，...]） |
计算F1分数，也称为平衡F分数或F度量 |
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 [，...]） |
平均铰链损失（非正规化） |
metrics.jaccard_similarity_score（y_true，y_pred） |
Jaccard相似系数得分 |
metrics.log_loss（y_true，y_pred [，eps，...]） |
对数损失，又称物流损失或交叉熵损失。 |
metrics.matthews_corrcoef（y_true，y_pred [，...]） |
计算二进制类的马修斯相关系数（MCC） |
metrics.precision_recall_curve（y_true，...） |
计算不同概率阈值的精确回忆对 |
metrics.precision_recall_fscore_support（......） |
计算每个类的精度，回忆，F度量和支持 |
metrics.precision_score（y_true，y_pred [，...]） |
计算精度 |
metrics.recall_score（y_true，y_pred [，...]） |
计算召回 |
metrics.roc_auc_score（y_true，y_score [，...]） |
曲线下的计算面积（AUC）来自预测分数 |
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 [，...]） |
零分类损失。 |
回归度量
有关详细信息，请参阅用户指南的“ 回归度量”部分。
metrics.explained_variance_score（y_true，y_pred） |
解释方差回归分数函数 |
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.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（测定系数）回归分数函数。 |
多标记排名指标
有关详细信息，请参阅用户指南的“ 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） |
计算排名损失量 |
聚类度量
有关详细信息，请参阅用户指南的“ 集群性能评估”部分。
该sklearn.metrics.cluster子模块包含了聚类分析的结果评价指标。有两种形式的评估：
- 监督，它使用每个样本的地面实数类值。
- 无监督，不对和衡量模型本身的“质量”。
metrics.adjusted_mutual_info_score（......） |
两个集群之间调整的相互信息。 |
metrics.adjusted_rand_score（labels_true，...） |
兰德指数调整机会。 |
metrics.calinski_harabaz_score（X，标签） |
计算Calinski和Harabaz得分。 |
metrics.completeness_score（labels_true，...） |
给定一个地面事实的集群标签的完整性度量。 |
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（......） |
一次计算同质性和完整性和V-Measure分数。 |
metrics.homogeneity_score（labels_true，...） |
给出了一个地面事实的集群标签的均匀性度量。 |
metrics.mutual_info_score（labels_true，...） |
两个集群之间的相互信息。 |
metrics.normalized_mutual_info_score（......） |
两个集群之间的归一化互信息。 |
metrics.silhouette_score（X，标签[，...]） |
计算所有样本的平均轮廓系数。 |
metrics.silhouette_samples（X，labels [，metric]） |
计算每个样本的剪影系数。 |
metrics.v_measure_score（labels_true，labels_pred） |
V-measure集群标签给出了一个基本的真相。 |
成对指标
有关详细信息，请参阅用户指南的“ 成对度量标准，亲和力和内核”部分。
sklearn.mixture：高斯混合模型
该sklearn.mixture模块实现混合建模算法。
用户指南：有关详细信息，请参见高斯混合模型部分。
mixture.GaussianMixture（[n_components，...]） |
高斯混合。 |
mixture.BayesianGaussianMixture（[...]） |
高斯混合变分贝叶斯估计。 |
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/一对一全部
- 一VS一
- 纠错输出代码
该模块中提供的估计量是元估计：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分类器。也可以将这些估计器与多类估计器一起使用，希望它们的准确性或运行时性能得到改善。
scikit-learn中的所有分类器实施多类分类; 您只需要使用此模块即可尝试使用自定义多类策略。
一对一的元分类器也实现了一个predict_proba方法，只要这种方法由基类分类器实现即可。该方法在单个标签和多重标签的情况下返回类成员资格的概率。注意，在多重标注的情况下，概率是给定样本落在给定类中的边际概率。因此，在多标签情况下，这些概率在一个给定样本的所有可能的标签的总和不会和为1，因为他们在单个标签的情况下做的。
用户指南：有关详细信息，请参阅多类和多标签算法部分。
multiclass.OneVsRestClassifier（估计量[，...]） |
一对一（OvR）多类/多标签策略 |
multiclass.OneVsOneClassifier（估计量[，...]） |
一对一多类策略 |
multiclass.OutputCodeClassifier（估计量[，...]） |
（错误校正）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。
该模块中提供的估计量是元估计：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：有关详细信息，请参阅多类和多标签算法部分。
multioutput.MultiOutputRegressor（估计） |
多目标回归 |
multioutput.MultiOutputClassifier（估计） |
多目标分类 |
sklearn.naive_bayes：朴素贝叶斯
该sklearn.naive_bayes模块实现朴素贝叶斯算法。这些是基于应用贝叶斯定理与强（天真）特征独立假设的监督学习方法。
用户指南：有关详细信息，请参阅“ 朴素贝叶”部分。
naive_bayes.GaussianNB（[先验]） |
高斯朴素贝叶斯（GaussianNB） |
naive_bayes.MultinomialNB（[α， ...]） |
朴素贝叶斯分类器多项式模型 |
naive_bayes.BernoulliNB（[alpha，二值化，...]） |
朴素贝叶斯分类器多元伯努利模型。 |
sklearn.neighbors：最近邻居
该sklearn.neighbors模块实现了k最近邻近的算法。
用户指南：有关详细信息，请参阅最近邻居部分。
neighbors.NearestNeighbors（[n_neighbors，...]） |
无监督学习者实施邻居搜索。 |
neighbors.KNeighborsClassifier（[...]） |
执行k-最近邻居的分类器投票。 |
neighbors.RadiusNeighborsClassifier（[...]） |
在给定半径内的邻居中执行投票的分类器 |
neighbors.KNeighborsRegressor（[n_neighbors，...]） |
基于k最近邻的回归。 |
neighbors.RadiusNeighborsRegressor（[半径，...]） |
基于固定半径内的邻居的回归。 |
neighbors.NearestCentroid（[度量，...]） |
最近的质心分类器。 |
neighbors.BallTree |
BallTree用于快速泛化N点问题 |
neighbors.KDTree |
KDTree用于快速泛化N点问题 |
neighbors.LSHForest（[n_estimators，radius，...]） |
使用LSH森林执行近似最近邻搜索。 |
neighbors.DistanceMetric |
DistanceMetric类 |
neighbors.KernelDensity（[带宽，...]） |
核密度估计 |
neighbors.kneighbors_graph（X，n_neighbors [，...]） |
计算X中k个邻居的（加权）图 |
neighbors.radius_neighbors_graph（X，半径） |
计算X中的点的邻居的（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：有关详细信息，请参阅神经网络模型（受监督）和神经网络模型（无监督）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.calibration：概率校准
校准预测概率。
用户指南：有关详细信息，请参阅概率校准部分。
calibration.CalibratedClassifierCV（[...]） |
用等渗回归或乙状结构的概率校准。 |
calibration.calibration_curve（y_true，y_prob） |
计算校准曲线的真实和预测概率。 |
sklearn.cross_decomposition：交叉分解
用户指南：有关详细信息，请参阅交叉分解部分。
cross_decomposition.PLSRegression（[...]） |
PLS回归 |
cross_decomposition.PLSCanonical（[...]） |
PLSCanonical实现了原始Wold算法的2块规范PLS [Tenenhaus 1998] p.204，在[Wegelin 2000]中被称为PLS-C2A。 |
cross_decomposition.CCA（[n_components，...]） |
CCA规范相关分析。 |
cross_decomposition.PLSSVD（[n_components，...]） |
部分最小二乘SVD |
sklearn.pipeline：管道
该sklearn.pipeline模块实现实用程序来构建一个复合估计器，作为变换链和估计器链。
pipeline.Pipeline（脚步） |
用最终估计器进行变换的管道。 |
pipeline.FeatureUnion（transformer_list [，...]） |
连接多个变压器对象的结果。 |
pipeline.make_pipeline（*脚步） |
从给定的估计量构建管道。 |
pipeline.make_union（ *变压器） |
从给定的变压器构造一个FeatureUnion。 |
sklearn.preprocessing：预处理和归一化
该sklearn.preprocessing模块包括缩放，定心，归一化，二值化和插补方法。
用户指南：有关详细信息，请参阅预处理数据部分。
preprocessing.Binarizer（[threshold，copy]） |
根据阈值对数据进行二值化（将特征值设置为0或1） |
preprocessing.FunctionTransformer（[func，...]） |
从任意可调用的构造一个变压器。 |
preprocessing.Imputer（[missing_values，...]） |
用于完成缺失值的插补变压器。 |
preprocessing.KernelCenterer |
中心一个内核矩阵 |
preprocessing.LabelBinarizer（[neg_label，...]） |
以一对一的方式对标签进行二值化 |
preprocessing.LabelEncoder |
在0和n_classes-1之间编码标签。 |
preprocessing.MultiLabelBinarizer（[课，...]） |
在迭代迭代和多标签格式之间进行转换 |
preprocessing.MaxAbsScaler（[复制]） |
按每个特征的最大绝对值进行缩放。 |
preprocessing.MinMaxScaler（[feature_range，copy]） |
通过将每个功能缩放到给定范围来转换功能。 |
preprocessing.Normalizer（[规范，复制]） |
将样品归一化为单位范数。 |
preprocessing.OneHotEncoder（[n_values，...]） |
使用一个单一的一个K方案来编码分类整数特征。 |
preprocessing.PolynomialFeatures（[度，...]） |
生成多项式和交互特征。 |
preprocessing.RobustScaler（[with_centering，...]） |
使用对异常值可靠的统计信息来缩放功能。 |
preprocessing.StandardScaler（[副本，...]） |
通过删除平均值和缩放到单位方差来标准化特征 |
preprocessing.add_dummy_feature（X [，value]） |
增强数据集，带有额外的虚拟功能。 |
preprocessing.binarize（X [，threshold，copy]） |
数组式或scipy.sparse矩阵的布尔阈值 |
preprocessing.label_binarize（y，classes [，...]） |
以一对一的方式对标签进行二值化 |
preprocessing.maxabs_scale（X [，axis，copy]） |
将每个特征缩放到[-1,1]范围，而不破坏稀疏度。 |
preprocessing.minmax_scale（X[， ...]） |
通过将每个功能缩放到给定范围来转换功能。 |
preprocessing.normalize（X [，norm，axis，...]） |
将输入向量分别缩放到单位范数（向量长度）。 |
preprocessing.robust_scale（X [，axis，...]） |
沿着任何轴标准化数据集 |
preprocessing.scale（X [，axis，with_mean，...]） |
沿着任何轴标准化数据集 |
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，通过交易控制的精确度（作为附加方差）来减少数据的维度，以实现更快的处理时间和更小的模型大小。
控制随机投影矩阵的维数和分布，以保留数据集的任意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 lemma（引用维基百科）：
在数学方面，Johnson-Lindenstrauss引理是从高维度到低维度欧几里德空间的低失真嵌入点的结果。引理指出，高维空间中的一小部分点可以嵌入到较低维度的空间中，使得点之间的距离几乎保持不变。用于嵌入的地图至少为Lipschitz，甚至可以被视为正交投影。
用户指南：有关详细信息，请参阅随机投影部分。
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维数 |
random_projection.johnson_lindenstrauss_min_dim（......） |
找到一个“安全”数量的组件随机投入 |
sklearn.semi_supervised半监督学习
该sklearn.semi_supervised模块实现半监督学习算法。这些算法使用少量的标记数据和大量未标记的数据进行分类任务。该模块包括标签传播。
用户指南：有关详细信息，请参阅半监督部分。
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LabelSpread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：有关详细信息，请参阅支持向量机部分。
估计师
svm.SVC（[C，kernel，degree，gamma，coef0，...]） |
C支持向量分类。 |
svm.LinearSVC（[罚款，损失，双重，tol，C，...]） |
线性支持向量分类。 |
svm.NuSVC（[nu，kernel，degree，gamma，...]） |
Nu支持向量分类。 |
svm.SVR（[kernel，degree，gamma，coef0，tol，...]） |
Epsilon支持向量回归。 |
svm.LinearSVR（[ε，tol，C，loss ...]） |
线性支持向量回归。 |
svm.NuSVR（[nu，C，kernel，degree，gamma，...]） |
Nu支持向量回归。 |
svm.OneClassSVM（[内核，程度，伽玛，...]） |
无监督异常值检测。 |
svm.l1_min_c（X，y [，loss，fit_intercept，...]） |
返回C的最低边界，使得对于C（l1_min_C，无穷大），模型保证不为空。 |
低级方法
svm.libsvm.fit |
使用libsvm（低级方法）训练模型 |
svm.libsvm.decision_function |
预测余量（这是libsvm的名称是predict_values） |
svm.libsvm.predict |
给定模型（低级方法）预测X的目标值 |
svm.libsvm.predict_proba |
预测概率 |
svm.libsvm.cross_validation |
交叉验证程序的绑定（低级程序） |
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：有关详细信息，请参阅决策树部分。
tree.DecisionTreeClassifier（[标准，...]） |
决策树分类器。 |
tree.DecisionTreeRegressor（[标准，...]） |
决策树倒数。 |
tree.ExtraTreeClassifier（[标准，...]） |
一个非常随机的树分类器。 |
tree.ExtraTreeRegressor（[标准，...]） |
一个非常随机的树倒数。 |
tree.export_graphviz |
以DOT格式导出决策树。 |
sklearn.utils：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，请参阅实用程序开发人员页面。
utils.check_random_state（种子） |
将种子转换成np.random.RandomState实例 |
utils.estimator_checks.check_estimator（估计） |
检查估计是否遵守scikit学习惯例。 |
utils.resample（ *数组， * *选项） |
以一致的方式重新采样数组或稀疏矩阵 |
utils.shuffle（ *数组， * *选项） |
以一致的方式排列数组或稀疏矩阵 |
最近弃用
要在0.19中删除
lda.LDA（[求解，收缩，先修，...]） |
别名sklearn.discriminant_analysis.LinearDiscriminantAnalysis。 |
qda.QDA（[priors，reg_param，...]） |
别名sklearn.discriminant_analysis.QuadraticDiscriminantAnalysis。 |
datasets.load_lfw_pairs（ * args， * * kwargs） |
DEPRECATED：函数'load_lfw_pairs'已不在0.17中，将在0.19中删除。请改用fetch_lfw_pairs（download_if_missing = False）。 |
datasets.load_lfw_people（ * args， * * kwargs） |
DEPRECATED：函数'load_lfw_people'已经在0.17中弃用，并将在0.19中删除。请改用fetch_lfw_people（download_if_missing = False）。 |
要在0.20中删除
grid_search.ParameterGrid（param_grid） |
每个参数的网格具有离散数值。 |
grid_search.ParameterSampler（... [，random_state]） |
发电机对从给定分布采样的参数。 |
grid_search.GridSearchCV（估计器，param_grid） |
对估计器的指定参数值进行详尽搜索。 |
grid_search.RandomizedSearchCV（估计，...） |
随机搜索超参数。 |
cross_validation.LeaveOneOut（n）的 |
一次性交叉验证迭代器。 |
cross_validation.LeavePOut（n，p） |
Leave-P-Out交叉验证迭代器 |
cross_validation.KFold（n [，n_folds，...]） |
K-fold交叉验证迭代器。 |
cross_validation.LabelKFold（标签[，n_folds]） |
具有非重叠标签的K-fold迭代器变体。 |
cross_validation.LeaveOneLabelOut（标签） |
Leave-One-Label_Out交叉验证迭代器 |
cross_validation.LeavePLabelOut（标签，p） |
Leave-P-Label_Out交叉验证迭代器 |
cross_validation.LabelShuffleSplit（标签[， ...]） |
Shuffle-Labels-Out交叉验证迭代器 |
cross_validation.StratifiedKFold（y [，...]） |
分层K-折叠交叉验证迭代器 |
cross_validation.ShuffleSplit（n [，n_iter，...]） |
随机置换交叉验证迭代器。 |
cross_validation.StratifiedShuffleSplit（y [，...]） |
分层ShuffleSplit交叉验证迭代器 |
cross_validation.PredefinedSplit（test_fold） |
预定义的分割交叉验证迭代器 |
decomposition.RandomizedPCA（ * args， * * kwargs） |
主成分分析（PCA）使用随机SVD |
gaussian_process.GaussianProcess（ * args， * * kwargs） |
传统的高斯过程模型类。 |
mixture.GMM（ * args， * * kwargs） |
传统高斯混合模型 |
mixture.DPGMM（ * args， * * kwargs） |
Dirichlet过程高斯混合模型 |
mixture.VBGMM（ * args， * * kwargs） |
高斯混合模型的变分推理 |
grid_search.fit_grid_point（X，y，估计器，...） |
运行适合一组参数。 |
learning_curve.learning_curve（估计器，X，y） |
学习曲线。 |
learning_curve.validation_curve（估计，...） |
验证曲线。 |
cross_validation.cross_val_predict（估计器，X） |
为每个输入数据点生成交叉验证的估计 |
cross_validation.cross_val_score（估计器，X） |
通过交叉验证评估分数 |
cross_validation.check_cv（cv [，X，y，分类器]） |
输入检查器实用程序以用户友好的方式构建简历。 |
cross_validation.permutation_test_score（......） |
评估具有排列的交叉验证分数的意义 |
cross_validation.train_test_split（ *数组，...） |
将阵列或矩阵分解成随机列和测试子集 |
API参考
这是scikit学习的类和函数参考。有关详细信息，请参阅完整的用户指南，因为类和功能原始规格可能不足以给出其使用的完整指导。
sklearn.base：基类和效用函数
所有估计器的基类。
基类
base.BaseEstimator |
scikit学习中所有估计的基础类 |
base.ClassifierMixin |
所有分类器的混合类在scikit学习。 |
base.ClusterMixin |
所有群集估计器的混合类在scikit学习中。 |
base.RegressorMixin |
所有回归估计的混合类在scikit学习。 |
base.TransformerMixin |
所有变压器的混合类在scikit学习。 |
函数
base.clone（估计量[，安全]） |
构造一个具有相同参数的新估计器。 |
sklearn.cluster：聚类
该sklearn.cluster模块收集流行的无监督聚类算法。
用户指南：有关详细信息，请参阅“ 集群”部分。
类
cluster.AffinityPropagation（[阻尼，...]） |
执行亲和度传播数据聚类。 |
cluster.AgglomerativeClustering（[...]） |
集聚聚类 |
cluster.Birch（[threshold，branching_factor，...]） |
实现Birch聚类算法。 |
cluster.DBSCAN（[eps，min_samples，metric，...]） |
从矢量阵列或距离矩阵执行DBSCAN聚类。 |
cluster.FeatureAgglomeration（[n_clusters，...]） |
聚集特征。 |
cluster.KMeans（[n_clusters，init，n_init，...]） |
K均值聚类 |
cluster.MiniBatchKMeans（[n_clusters，init，...]） |
小批量K均值聚类 |
cluster.MeanShift（[带宽，种子，...]） |
使用平坦内核的平均移位聚类。 |
cluster.SpectralClustering（[n_clusters，...]） |
应用聚类到对规范化拉普拉斯算子的投影。 |
函数
cluster.estimate_bandwidth（X [，quantile ...]） |
估计与平均移位算法一起使用的带宽。 |
cluster.k_means（X，n_clusters [，init，...]） |
K均值聚类算法。 |
cluster.ward_tree（X [，连通性，...]） |
基于特征矩阵的区域聚类。 |
cluster.affinity_propagation（S [，...]） |
执行亲和度传播数据聚类 |
cluster.dbscan（X [，eps，min_samples，...]） |
从矢量阵列或距离矩阵执行DBSCAN聚类。 |
cluster.mean_shift（X [，带宽，种子...]） |
使用平坦内核执行数据的平均移位聚类。 |
cluster.spectral_clustering（亲和力[，...]） |
应用聚类到对规范化拉普拉斯算子的投影。 |
sklearn.cluster.bicluster：双聚类
光谱二聚体算法。
作者：Kemal Eren许可证：BSD 3条款
用户指南：有关详细信息，请参阅Biclustering部分。
类
SpectralBiclustering（[n_clusters，method，...]） |
光谱二聚体（Kluger，2003）。 |
SpectralCoclustering（[n_clusters，...]） |
光谱共聚焦算法（Dhillon，2001）。 |
sklearn.covariance：协方差估计
该sklearn.covariance模块包括方法和算法，以鲁棒地估计给定一组点的特征的协方差。定义为协方差的倒数的精度矩阵也被估计。协方差估计与高斯图形模型的理论密切相关。
用户指南：有关详细信息，请参见协方差估计部分。
covariance.EmpiricalCovariance（[...]） |
最大似然协方差估计 |
covariance.EllipticEnvelope（[...]） |
用于检测高斯分布数据集中异常值的对象。 |
covariance.GraphLasso（[alpha，mode，tol，...]） |
具有l1惩罚估计量的稀疏逆协方差估计。 |
covariance.GraphLassoCV（[alphas，...]） |
稀疏逆协方差与交叉验证的l1罚款的选择 |
covariance.LedoitWolf（[store_precision，...]） |
Ledoit狼估计 |
covariance.MinCovDet（[store_precision，...]） |
最小协方差决定因素（MCD）：协方差的鲁棒估计。 |
covariance.OAS（[store_precision，...]） |
Oracle近似收缩估算器 |
covariance.ShrunkCovariance（[...]） |
协方差估计与收缩 |
covariance.empirical_covariance（X[， ...]） |
计算最大似然协方差估计 |
covariance.ledoit_wolf（X [，puts_centered ...]） |
估计缩小的Ledoit-Wolf协方差矩阵。 |
covariance.shrunk_covariance（emp_cov [，...]） |
计算对角线收缩的协方差矩阵 |
covariance.oas（X [，puts_centered]） |
使用Oracle近似收缩算法估计协方差。 |
covariance.graph_lasso（emp_cov，alpha [，...]） |
l1惩罚协方差估计 |
sklearn.model_selection：模型选择
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 学习曲线部分以获取更多详细信息。
分割器类
model_selection.KFold（[n_splits，shuffle，...]） |
K-折叠交叉验证器 |
model_selection.GroupKFold（[n_splits]） |
具有非重叠组的K-fold迭代器变体。 |
model_selection.StratifiedKFold（[n_splits，...]） |
分层K-折叠交叉验证器 |
model_selection.LeaveOneGroupOut（） |
离开一个组交叉验证器 |
model_selection.LeavePGroupsOut（n_groups） |
离开P组交叉验证器 |
model_selection.LeaveOneOut（） |
一次性交叉验证器 |
model_selection.LeavePOut（p）的 |
Leave-P-Out交叉验证器 |
model_selection.ShuffleSplit（[n_splits，...]） |
随机置换交叉验证器 |
model_selection.GroupShuffleSplit（[...]） |
随机组 - - 交叉验证迭代器 |
model_selection.StratifiedShuffleSplit（[...]） |
分层ShuffleSplit交叉验证器 |
model_selection.PredefinedSplit（test_fold） |
预定义分割交叉验证器 |
model_selection.TimeSeriesSplit（[n_splits]） |
时间序列交叉验证器 |
分割函数
model_selection.train_test_split（ *数组，...） |
将阵列或矩阵分解成随机列和测试子集 |
model_selection.check_cv（[cv，y，分类器]） |
用于构建交叉验证器的输入检查器实用程序 |
超参数优化
model_selection.GridSearchCV（估计，...） |
对估计器的指定参数值进行详尽搜索。 |
model_selection.RandomizedSearchCV（... [，...]） |
随机搜索超参数。 |
model_selection.ParameterGrid（param_grid） |
每个参数的网格具有离散数值。 |
model_selection.ParameterSampler（... [，...]） |
发电机对从给定分布采样的参数。 |
model_selection.fit_grid_point（X，y，... [，...]） |
运行适合一组参数。 |
模型验证
model_selection.cross_val_score（估计器，X） |
通过交叉验证评估分数 |
model_selection.cross_val_predict（估计器，X） |
为每个输入数据点生成交叉验证的估计 |
model_selection.permutation_test_score（......） |
评估具有排列的交叉验证分数的意义 |
model_selection.learning_curve（估计器，X，y） |
学习曲线。 |
model_selection.validation_curve（估计，...） |
验证曲线。 |
sklearn.datasets：数据集
该sklearn.datasets模块包括用于加载数据集的实用程序，包括加载和获取流行参考数据集的方法。它还具有一些人工数据生成器。
用户指南：有关详细信息，请参阅数据集加载实用程序部分。
装载机
datasets.clear_data_home（[data_home]） |
删除数据家庭缓存的所有内容。 |
datasets.get_data_home（[data_home]） |
返回scikit学习数据目录的路径。 |
datasets.fetch_20newsgroups（[data_home，...]） |
加载20个新闻组数据集中的文件名和数据。 |
datasets.fetch_20newsgroups_vectorized（[...]） |
加载20个新闻组数据集并将其转换为tf-idf向量。 |
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 [，...]） |
加载具有子文件夹名称类别的文本文件。 |
datasets.load_iris（[return_X_y]） |
加载并返回虹膜数据集（分类）。 |
datasets.fetch_lfw_pairs（[子集，...]） |
用于野外（LFW）对数据集中的标记面的装载器 |
datasets.fetch_lfw_people（[data_home，...]） |
野外（LFW）人物数据集中的标记面的装载程序 |
datasets.load_linnerud（[return_X_y]） |
加载并返回linnerud数据集（多元回归）。 |
datasets.mldata_filename（数据名） |
转换mldata.org文件名中的数据集的原始名称。 |
datasets.fetch_mldata（dataname [，...]） |
获取mldata.org数据集 |
datasets.fetch_olivetti_faces（[data_home，...]） |
Olivetti的装载机面向AT＆T的数据集。 |
datasets.fetch_california_housing（[...]） |
来自StatLib的加州住房数据集的装载机。 |
datasets.fetch_covtype（[data_home，...]） |
加载封面类型数据集，必要时将其下载。 |
datasets.fetch_kddcup99（[subset，shuffle，...]） |
加载并返回kddcup 99数据集（分类）。 |
datasets.fetch_rcv1（[data_home，子集，...]） |
加载RCV1 multilabel数据集，必要时下载。 |
datasets.load_mlcomp（name_or_id [，set_，...]） |
加载从http://mlcomp.org下载的数据集 |
datasets.load_sample_image（IMAGE_NAME） |
加载单个样本图像的numpy数组 |
datasets.load_sample_images（） |
加载样品图像进行图像处理。 |
datasets.fetch_species_distributions（[...]） |
来自Phillips等的物种分布数据集装载机 |
datasets.load_svmlight_file（f [，n_features，...]） |
将svmlight / libsvm格式的数据集加载到稀疏的CSR矩阵中 |
datasets.load_svmlight_files（files [，...]） |
从SVMlight格式的多个文件加载数据集 |
datasets.dump_svmlight_file（X，y，f [，...]） |
以svmlight / libsvm文件格式转储数据集。 |
样本生成器
datasets.make_blobs（[n_samples，n_features，...]） |
生成用于聚类的各向同性高斯斑点。 |
datasets.make_classification（[n_samples，...]） |
生成随机n类分类问题。 |
datasets.make_circles（[n_samples，shuffle，...]） |
在2d中制作一个包含较小圆的大圆。 |
datasets.make_friedman1（[n_samples，...]） |
产生“Friedman＃1”回归问题 |
datasets.make_friedman2（[n_samples，noise，...]） |
产生“Friedman＃2”回归问题 |
datasets.make_friedman3（[n_samples，noise，...]） |
产生“Friedman＃3”回归问题 |
datasets.make_gaussian_quantiles（[意思， ...]） |
通过分位数生成各向同性高斯和标签样本 |
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大多数低阶矩阵 |
datasets.make_moons（[n_samples，shuffle，...]） |
使两个交错半圈 |
datasets.make_multilabel_classification（[...]） |
产生一个随机的多标签分类问题。 |
datasets.make_regression（[n_samples，...]） |
产生随机回归问题。 |
datasets.make_s_curve（[n_samples，noise，...]） |
生成S曲线数据集。 |
datasets.make_sparse_coded_signal（n_samples，...） |
生成信号作为字典元素的稀疏组合。 |
datasets.make_sparse_spd_matrix（[dim，...]） |
产生一个稀疏的对称确定正矩阵。 |
datasets.make_sparse_uncorrelated（[...]） |
生成稀疏不相关设计的随机回归问题 |
datasets.make_spd_matrix（n_dim [，random_state]） |
产生一个随机对称的正定矩阵。 |
datasets.make_swiss_roll（[n_samples，noise，...]） |
生成瑞士卷数据集。 |
datasets.make_biclusters（形状，n_clusters） |
生成一个具有恒定块对角线结构的阵列，用于二聚体。 |
datasets.make_checkerboard（形状，n_clusters） |
生成具有块棋盘结构的数组，用于双向聚合。 |
sklearn.decomposition矩阵分解
该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被认为是降维技术。
用户指南：有关详细信息，请参阅组件中的分解信号（矩阵分解问题）部分。
decomposition.PCA（[n_components，copy，...]） |
主成分分析（PCA） |
decomposition.IncrementalPCA（[n_components，...]） |
增量主成分分析（IPCA）。 |
decomposition.ProjectedGradientNMF（ * args，...） |
非负矩阵因子分解（NMF） |
decomposition.KernelPCA（[n_components，...]） |
核心主成分分析（KPCA） |
decomposition.FactorAnalysis（[n_components，...]） |
因子分析（FA） |
decomposition.FastICA（[n_components，...]） |
FastICA：独立分量分析的快速算法。 |
decomposition.TruncatedSVD（[n_components，...]） |
使用截断的SVD（也称为LSA）进行尺寸缩小。 |
decomposition.NMF（[n_components，init，...]） |
非负矩阵因子分解（NMF） |
decomposition.SparsePCA（[n_components，...]） |
稀疏主成分分析（SparsePCA） |
decomposition.MiniBatchSparsePCA（[...]） |
小批量稀疏主成分分析 |
decomposition.SparseCoder（字典[，...]） |
稀疏编码 |
decomposition.DictionaryLearning（[...]） |
词典学习 |
decomposition.MiniBatchDictionaryLearning（[...]） |
小批量字典学习 |
decomposition.LatentDirichletAllocation（[...]） |
潜在的Dirichlet分配与在线变分贝叶斯算法 |
decomposition.fastica（X [，n_components，...]） |
执行快速独立分量分析。 |
decomposition.dict_learning（X，n_components，...） |
解决词典学习矩阵分解问题。 |
decomposition.dict_learning_online（X[， ...]） |
在线解决词典学习矩阵分解问题。 |
decomposition.sparse_encode（X，字典[，...]） |
稀疏编码 |
sklearn.dummy：虚拟估计
用户指南：有关详细信息，请参阅模型评估：量化预测部分的质量部分。
dummy.DummyClassifier（[策略，...]） |
DummyClassifier是使用简单规则进行预测的分类器。 |
dummy.DummyRegressor（[策略，常数，...]） |
DummyRegressor是使用简单规则进行预测的倒数。 |
sklearn.ensemble：合奏方法
该sklearn.ensemble模块包括用于分类，回归和异常检测的基于集合的方法。
用户指南：有关详细信息，请参阅“ 集合方法”部分。
ensemble.AdaBoostClassifier（[...]） |
一个AdaBoost分类器。 |
ensemble.AdaBoostRegressor（[base_estimator，...]） |
AdaBoost回归。 |
ensemble.BaggingClassifier（[base_estimator，...]） |
袋装分类器 |
ensemble.BaggingRegressor（[base_estimator，...]） |
一袋装回归。 |
ensemble.ExtraTreesClassifier（[...]） |
一个额外的树分类器。 |
ensemble.ExtraTreesRegressor（[n_estimators，...]） |
额外的树木回归。 |
ensemble.GradientBoostingClassifier（[失利， ...]） |
梯度提升分类。 |
ensemble.GradientBoostingRegressor（[失利， ...]） |
渐变提升回归。 |
ensemble.IsolationForest（[n_estimators，...]） |
隔离森林算法 |
ensemble.RandomForestClassifier（[...]） |
随机森林分类器。 |
ensemble.RandomTreesEmbedding（[...]） |
一个完全随机的树的合奏。 |
ensemble.RandomForestRegressor（[...]） |
随机森林回归。 |
ensemble.VotingClassifier（估计量[，...]） |
软投票/大多数规则分类器。 |
部分依赖
树组合的部分依赖图。
ensemble.partial_dependence.partial_dependence（......） |
部分依赖target_variables。 |
ensemble.partial_dependence.plot_partial_dependence（......） |
部分依赖图features。 |
sklearn.exceptions：异常和警告
该sklearn.exceptions模块包括在scikit学习中使用的所有自定义警告和错误类。
exceptions.NotFittedError |
如果在拟合前使用估计器，则提升异常类。 |
exceptions.ChangedBehaviorWarning |
用于通知用户任何行为变化的警告类。 |
exceptions.ConvergenceWarning |
捕捉收敛问题的自定义警告 |
exceptions.DataConversionWarning |
警告用于通知代码中发生的隐式数据转换。 |
exceptions.DataDimensionalityWarning |
自定义警告以通知数据维度的潜在问题。 |
exceptions.EfficiencyWarning |
用于通知用户无效计算的警告。 |
exceptions.FitFailedWarning |
如果在拟合估计器时发生错误，则使用警告类。 |
exceptions.NonBLASDotWarning |
点操作不使用BLAS时使用的警告。 |
exceptions.UndefinedMetricWarning |
当度量无效时使用的警告 |
sklearn.feature_extraction：特征提取
该sklearn.feature_extraction模块处理原始数据的特征提取。它目前包括从文本和图像中提取功能的方法。
用户指南：有关详细信息，请参阅特征提取部分。
feature_extraction.DictVectorizer（[dtype，...]） |
将特征值映射列表转换为向量。 |
feature_extraction.FeatureHasher（[...]） |
实现哈希算法，又称哈希技巧。 |
从图像
该sklearn.feature_extraction.image子模块收集实用程序从图像中提取特征。
feature_extraction.image.img_to_graph（img [，...]） |
像素到像素梯度连接的图形 |
feature_extraction.image.grid_to_graph（n_x，n_y） |
像素到像素连接的图形 |
feature_extraction.image.extract_patches_2d（......） |
将2D图像重新整理成一组补丁 |
feature_extraction.image.reconstruct_from_patches_2d（......） |
从其所有补丁重建图像。 |
feature_extraction.image.PatchExtractor（[...]） |
从图像集中提取补丁 |
从文本
该sklearn.feature_extraction.text子模块收集实用程序从文本文档建立特征向量。
feature_extraction.text.CountVectorizer（[...]） |
将文本文档的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发生的矩阵 |
feature_extraction.text.TfidfTransformer（[...]） |
将计数矩阵转换为归一化tf或tf-idf表示 |
feature_extraction.text.TfidfVectorizer（[...]） |
将原始文档的集合转换为TF-IDF功能的矩阵。 |
sklearn.feature_selection：特征选择
该sklearn.feature_selection模块实现特征选择算法。它目前包括单变量筛选方法和递归特征消除算法。
用户指南：有关详细信息，请参阅功能选择部分。
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功能。 |
feature_selection.SelectKBest（[score_func，k]） |
根据k最高分选择功能。 |
feature_selection.SelectFpr（[score_func，alpha]） |
过滤器：根据FPR测试选择低于alpha的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（估计） |
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：选择对应于同系误差率的p值 |
feature_selection.RFE（估计量[，...]） |
功能排序与递归功能消除。 |
feature_selection.RFECV（估计[，步，...]） |
功能排序与递归功能消除和交叉验证选择最佳数量的功能。 |
feature_selection.VarianceThreshold（[阈]） |
功能选择器可删除所有低方差特征。 |
feature_selection.chi2（X，y） |
计算每个非负特征和类之间的平方统计。 |
feature_selection.f_classif（X，y） |
计算所提供样本的方差分析F值。 |
feature_selection.f_regression（X，y [，center]） |
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模块实现了基于高斯过程的回归和分类。
用户指南：有关详细信息，请参阅高斯过程部分。
gaussian_process.GaussianProcessRegressor（[...]） |
高斯过程回归（GPR）。 |
gaussian_process.GaussianProcessClassifier（[...]） |
基于拉普拉斯逼近的高斯过程分类（GPC）。 |
仁：
gaussian_process.kernels.Kernel |
所有内核的基类。 |
gaussian_process.kernels.Sum（k1，k2） |
两个内核k1和k2的和核k1 + k2。 |
gaussian_process.kernels.Product（k1，k2） |
两个内核k1和k2的产品内核k1 * k2。 |
gaussian_process.kernels.Exponentiation（......） |
通过给定指数来指定内核。 |
gaussian_process.kernels.ConstantKernel（[...]） |
恒定内核。 |
gaussian_process.kernels.WhiteKernel（[...]） |
白内核。 |
gaussian_process.kernels.RBF（[length_scale，...]） |
径向基函数核（又称平方指数核）。 |
gaussian_process.kernels.Matern（[...]） |
母粒 |
gaussian_process.kernels.RationalQuadratic（[...]） |
合理的二次内核。 |
gaussian_process.kernels.ExpSineSquared（[...]） |
正弦平方内核。 |
gaussian_process.kernels.DotProduct（[...]） |
Dot-Product内核。 |
gaussian_process.kernels.PairwiseKernel（[...]） |
在sklearn.metrics.pairwise中的内核包装器。 |
gaussian_process.kernels.CompoundKernel（内核） |
由一组其他内核组成的内核。 |
gaussian_process.kernels.Hyperparameter |
内核超参数的规范以namedtuple的形式。 |
sklearn.isotonic：等式回归
用户指南：有关详细信息，请参见等渗回归部分。
isotonic.IsotonicRegression（[y_min，y_max，...]） |
等渗回归模型。 |
isotonic.isotonic_regression（y [，...]） |
求解等渗回归模型： |
isotonic.check_increasing（x，y） |
确定y是否与x单调相关。 |
sklearn.kernel_approximation内核逼近
该sklearn.kernel_approximation模块基于傅里叶变换实现了几个近似的核心特征图。
用户指南：有关详细信息，请参阅内核近似部分。
kernel_approximation.AdditiveChi2Sampler（[...]） |
加性chi2核的近似特征图。 |
kernel_approximation.Nystroem（[核心， ...]） |
使用训练数据的子集近似一个内核映射。 |
kernel_approximation.RBFSampler（[γ，...]） |
通过傅里叶变换的Monte Carlo近似近似RBF核的特征图。 |
kernel_approximation.SkewedChi2Sampler（[...]） |
通过其傅立叶变换的蒙特卡罗近似近似的“偏斜卡方”核的特征图。 |
sklearn.kernel_ridge内核岭回归
模块sklearn.kernel_ridge实现内核脊回归。
用户指南：有关更多详细信息，请参阅Kernel ridge回归部分。
kernel_ridge.KernelRidge（[alpha，kernel，...]） |
内核岭回归。 |
sklearn.discriminant_analysis判别分析
线性判别分析和二次判别分析
用户指南：有关详细信息，请参阅线性和二次判别分析部分。
discriminant_analysis.LinearDiscriminantAnalysis（[...]） |
线性判别分析 |
discriminant_analysis.QuadraticDiscriminantAnalysis（[...]） |
二次判别分析 |
sklearn.linear_model：广义线性模型
该sklearn.linear_model模块实现广义线性模型。它包括利用最小角度回归和坐标下降计算的岭回归，贝叶斯回归，套索和弹性网估计。它还实现随机梯度下降相关算法。
用户指南：有关详细信息，请参阅“ 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，...]） |
贝叶斯脊回归 |
linear_model.ElasticNet（[α，l_]，...]） |
线性回归与组合L1和L2先验作为正则化器。 |
linear_model.ElasticNetCV（[l1_ratio，eps，...]） |
弹性网模型沿正则化路径迭代拟合 |
linear_model.HuberRegressor（[ε，...]） |
线性回归模型，对离群值是鲁棒的。 |
linear_model.Lars（[fit_intercept，verbose，...]） |
最小角度回归模型 |
linear_model.LarsCV（[fit_intercept，...]） |
交叉验证的最小二乘回归模型 |
linear_model.Lasso（[alpha，fit_intercept，...]） |
线性模型训练用L1作为矫正器（也称拉索） |
linear_model.LassoCV（[eps，n_alphas，...]） |
拉索线性模型，沿着正则化路径迭代拟合 |
linear_model.LassoLars（[α， ...]） |
Lasso模型也适合最小角度回归 |
linear_model.LassoLarsCV（[fit_intercept，...]） |
使用LARS算法进行交叉验证的Lasso |
linear_model.LassoLarsIC（[标准，...]） |
Lasso模型适合Lars使用BIC或AIC进行模型选择 |
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， ...]） |
用L1 / L2混合规范训练的多任务Lasso模型作为正则化器 |
linear_model.MultiTaskElasticNet（[α， ...]） |
用L1 / L2混合规范训练的多任务ElasticNet模型作为正则化器 |
linear_model.MultiTaskLassoCV（[eps，...]） |
多任务L1 / L2 Lasso内置交叉验证。 |
linear_model.MultiTaskElasticNetCV（[...]） |
多任务L1 / L2 ElasticNet内置交叉验证。 |
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（[...]） |
被动侵略分类器 |
linear_model.PassiveAggressiveRegressor（[C， ...]） |
被动侵略者 |
linear_model.Perceptron（[罚款，阿尔法，...]） |
在“ 用户指南”中阅读更多。 |
linear_model.RandomizedLasso（[α， ...]） |
随机拉索。 |
linear_model.RandomizedLogisticRegression（[...]） |
随机逻辑回归 |
linear_model.RANSACRegressor（[...]） |
RANSAC（RANdom SAmple Consensus）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， ...]） |
分类器使用Ridge回归。 |
linear_model.RidgeClassifierCV（[alphas，...]） |
里奇分类器内置交叉验证。 |
linear_model.RidgeCV（[alphas，...]） |
里奇回归与内置交叉验证。 |
linear_model.SGDClassifier（[损失，罚款...]） |
线性分类器（SVM，逻辑回归，ao）与SGD训练。 |
linear_model.SGDRegressor（[损失，罚款...]） |
通过使用SGD最小化正则化经验损失拟合的线性模型 |
linear_model.TheilSenRegressor（[...]） |
Theil-Sen估计：强大的多变量回归模型。 |
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.lasso_path（X，y [，eps，...]） |
计算具有坐标下降的Lasso路径 |
linear_model.lasso_stability_path（X，y [，...]） |
基于随机Lasso估计的稳定性路径 |
linear_model.logistic_regression_path（X，y） |
为正则化参数列表计算逻辑回归模型。 |
linear_model.orthogonal_mp（X，y [，...]） |
正交匹配追踪（OMP） |
linear_model.orthogonal_mp_gram（Gram，Xy [，...]） |
革命正交匹配追踪（OMP） |
sklearn.manifold：歧管学习
该sklearn.manifold模块实现数据嵌入技术。
用户指南：有关详细信息，请参阅歧管学习部分。
manifold.LocallyLinearEmbedding（[...]） |
局部线性嵌入 |
manifold.Isomap（[n_neighbors，n_components，...]） |
Isomap嵌入 |
manifold.MDS（[n_components，metric，n_init，...]） |
多维缩放 |
manifold.SpectralEmbedding（[n_components，...]） |
用于非线性维数降低的光谱嵌入。 |
manifold.TSNE（[n_components，困惑，...]） |
t分布随机相邻嵌入。 |
manifold.locally_linear_embedding（X， ...[， ...]） |
对数据执行本地线性嵌入分析。 |
manifold.spectral_embedding（邻接[...]） |
将样本投影在拉普拉斯算子的第一个特征向量上。 |
sklearn.metrics：度量
有关详细信息，请参阅模型评估：量化用户指南的预测部分的质量部分和成对度量度，亲和力和内核部分。
该sklearn.metrics模块包括分数函数，性能度量和成对度量和距离计算。
选型接口
有关详细信息，请参阅评分参数：定义用户指南的模型评估规则部分。
metrics.make_scorer（score_func [，...]） |
从表现指标或损失函数中取得得分手。 |
metrics.get_scorer（得分） |
分类度量
有关详细信息，请参阅用户指南的“ 分类指标”部分。
metrics.accuracy_score（y_true，y_pred [，...]） |
精度分类得分。 |
metrics.auc（x，y [，reorder]） |
曲线下的计算面积（AUC）使用梯形规则 |
metrics.average_precision_score（y_true，y_score） |
从预测分数计算平均精度（AP） |
metrics.brier_score_loss（y_true，y_prob [，...]） |
计算Brier分数。 |
metrics.classification_report（y_true，y_pred） |
构建显示主要分类指标的文本报告 |
metrics.cohen_kappa_score（y1，y2 [，labels，...]） |
科恩的kappa：衡量标注者间协议的统计。 |
metrics.confusion_matrix（y_true，y_pred [，...]） |
计算混淆矩阵来评估分类的准确性 |
metrics.f1_score（y_true，y_pred [，labels，...]） |
计算F1分数，也称为平衡F分数或F度量 |
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 [，...]） |
平均铰链损失（非正规化） |
metrics.jaccard_similarity_score（y_true，y_pred） |
Jaccard相似系数得分 |
metrics.log_loss（y_true，y_pred [，eps，...]） |
对数损失，又称物流损失或交叉熵损失。 |
metrics.matthews_corrcoef（y_true，y_pred [，...]） |
计算二进制类的马修斯相关系数（MCC） |
metrics.precision_recall_curve（y_true，...） |
计算不同概率阈值的精确回忆对 |
metrics.precision_recall_fscore_support（......） |
计算每个类的精度，回忆，F度量和支持 |
metrics.precision_score（y_true，y_pred [，...]） |
计算精度 |
metrics.recall_score（y_true，y_pred [，...]） |
计算召回 |
metrics.roc_auc_score（y_true，y_score [，...]） |
曲线下的计算面积（AUC）来自预测分数 |
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 [，...]） |
零分类损失。 |
回归度量
有关详细信息，请参阅用户指南的“ 回归度量”部分。
metrics.explained_variance_score（y_true，y_pred） |
解释方差回归分数函数 |
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.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（测定系数）回归分数函数。 |
多标记排名指标
有关详细信息，请参阅用户指南的“ 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） |
计算排名损失量 |
聚类度量
有关详细信息，请参阅用户指南的“ 集群性能评估”部分。
该sklearn.metrics.cluster子模块包含了聚类分析的结果评价指标。有两种形式的评估：
- 监督，它使用每个样本的地面实数类值。
- 无监督，不对和衡量模型本身的“质量”。
metrics.adjusted_mutual_info_score（......） |
两个集群之间调整的相互信息。 |
metrics.adjusted_rand_score（labels_true，...） |
兰德指数调整机会。 |
metrics.calinski_harabaz_score（X，标签） |
计算Calinski和Harabaz得分。 |
metrics.completeness_score（labels_true，...） |
给定一个地面事实的集群标签的完整性度量。 |
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（......） |
一次计算同质性和完整性和V-Measure分数。 |
metrics.homogeneity_score（labels_true，...） |
给出了一个地面事实的集群标签的均匀性度量。 |
metrics.mutual_info_score（labels_true，...） |
两个集群之间的相互信息。 |
metrics.normalized_mutual_info_score（......） |
两个集群之间的归一化互信息。 |
metrics.silhouette_score（X，标签[，...]） |
计算所有样本的平均轮廓系数。 |
metrics.silhouette_samples（X，labels [，metric]） |
计算每个样本的剪影系数。 |
metrics.v_measure_score（labels_true，labels_pred） |
V-measure集群标签给出了一个基本的真相。 |
成对指标
有关详细信息，请参阅用户指南的“ 成对度量标准，亲和力和内核”部分。
sklearn.mixture：高斯混合模型
该sklearn.mixture模块实现混合建模算法。
用户指南：有关详细信息，请参见高斯混合模型部分。
mixture.GaussianMixture（[n_components，...]） |
高斯混合。 |
mixture.BayesianGaussianMixture（[...]） |
高斯混合变分贝叶斯估计。 |
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/一对一全部
- 一VS一
- 纠错输出代码
该模块中提供的估计量是元估计：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分类器。也可以将这些估计器与多类估计器一起使用，希望它们的准确性或运行时性能得到改善。
scikit-learn中的所有分类器实施多类分类; 您只需要使用此模块即可尝试使用自定义多类策略。
一对一的元分类器也实现了一个predict_proba方法，只要这种方法由基类分类器实现即可。该方法在单个标签和多重标签的情况下返回类成员资格的概率。注意，在多重标注的情况下，概率是给定样本落在给定类中的边际概率。因此，在多标签情况下，这些概率在一个给定样本的所有可能的标签的总和不会和为1，因为他们在单个标签的情况下做的。
用户指南：有关详细信息，请参阅多类和多标签算法部分。
multiclass.OneVsRestClassifier（估计量[，...]） |
一对一（OvR）多类/多标签策略 |
multiclass.OneVsOneClassifier（估计量[，...]） |
一对一多类策略 |
multiclass.OutputCodeClassifier（估计量[，...]） |
（错误校正）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。
该模块中提供的估计量是元估计：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：有关详细信息，请参阅多类和多标签算法部分。
multioutput.MultiOutputRegressor（估计） |
多目标回归 |
multioutput.MultiOutputClassifier（估计） |
多目标分类 |
sklearn.naive_bayes：朴素贝叶斯
该sklearn.naive_bayes模块实现朴素贝叶斯算法。这些是基于应用贝叶斯定理与强（天真）特征独立假设的监督学习方法。
用户指南：有关详细信息，请参阅“ 朴素贝叶”部分。
naive_bayes.GaussianNB（[先验]） |
高斯朴素贝叶斯（GaussianNB） |
naive_bayes.MultinomialNB（[α， ...]） |
朴素贝叶斯分类器多项式模型 |
naive_bayes.BernoulliNB（[alpha，二值化，...]） |
朴素贝叶斯分类器多元伯努利模型。 |
sklearn.neighbors：最近邻居
该sklearn.neighbors模块实现了k最近邻近的算法。
用户指南：有关详细信息，请参阅最近邻居部分。
neighbors.NearestNeighbors（[n_neighbors，...]） |
无监督学习者实施邻居搜索。 |
neighbors.KNeighborsClassifier（[...]） |
执行k-最近邻居的分类器投票。 |
neighbors.RadiusNeighborsClassifier（[...]） |
在给定半径内的邻居中执行投票的分类器 |
neighbors.KNeighborsRegressor（[n_neighbors，...]） |
基于k最近邻的回归。 |
neighbors.RadiusNeighborsRegressor（[半径，...]） |
基于固定半径内的邻居的回归。 |
neighbors.NearestCentroid（[度量，...]） |
最近的质心分类器。 |
neighbors.BallTree |
BallTree用于快速泛化N点问题 |
neighbors.KDTree |
KDTree用于快速泛化N点问题 |
neighbors.LSHForest（[n_estimators，radius，...]） |
使用LSH森林执行近似最近邻搜索。 |
neighbors.DistanceMetric |
DistanceMetric类 |
neighbors.KernelDensity（[带宽，...]） |
核密度估计 |
neighbors.kneighbors_graph（X，n_neighbors [，...]） |
计算X中k个邻居的（加权）图 |
neighbors.radius_neighbors_graph（X，半径） |
计算X中的点的邻居的（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：有关详细信息，请参阅神经网络模型（受监督）和神经网络模型（无监督）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.calibration：概率校准
校准预测概率。
用户指南：有关详细信息，请参阅概率校准部分。
calibration.CalibratedClassifierCV（[...]） |
用等渗回归或乙状结构的概率校准。 |
calibration.calibration_curve（y_true，y_prob） |
计算校准曲线的真实和预测概率。 |
sklearn.cross_decomposition：交叉分解
用户指南：有关详细信息，请参阅交叉分解部分。
cross_decomposition.PLSRegression（[...]） |
PLS回归 |
cross_decomposition.PLSCanonical（[...]） |
PLSCanonical实现了原始Wold算法的2块规范PLS [Tenenhaus 1998] p.204，在[Wegelin 2000]中被称为PLS-C2A。 |
cross_decomposition.CCA（[n_components，...]） |
CCA规范相关分析。 |
cross_decomposition.PLSSVD（[n_components，...]） |
部分最小二乘SVD |
sklearn.pipeline：管道
该sklearn.pipeline模块实现实用程序来构建一个复合估计器，作为变换链和估计器链。
pipeline.Pipeline（脚步） |
用最终估计器进行变换的管道。 |
pipeline.FeatureUnion（transformer_list [，...]） |
连接多个变压器对象的结果。 |
pipeline.make_pipeline（*脚步） |
从给定的估计量构建管道。 |
pipeline.make_union（ *变压器） |
从给定的变压器构造一个FeatureUnion。 |
sklearn.preprocessing：预处理和归一化
该sklearn.preprocessing模块包括缩放，定心，归一化，二值化和插补方法。
用户指南：有关详细信息，请参阅预处理数据部分。
preprocessing.Binarizer（[threshold，copy]） |
根据阈值对数据进行二值化（将特征值设置为0或1） |
preprocessing.FunctionTransformer（[func，...]） |
从任意可调用的构造一个变压器。 |
preprocessing.Imputer（[missing_values，...]） |
用于完成缺失值的插补变压器。 |
preprocessing.KernelCenterer |
中心一个内核矩阵 |
preprocessing.LabelBinarizer（[neg_label，...]） |
以一对一的方式对标签进行二值化 |
preprocessing.LabelEncoder |
在0和n_classes-1之间编码标签。 |
preprocessing.MultiLabelBinarizer（[课，...]） |
在迭代迭代和多标签格式之间进行转换 |
preprocessing.MaxAbsScaler（[复制]） |
按每个特征的最大绝对值进行缩放。 |
preprocessing.MinMaxScaler（[feature_range，copy]） |
通过将每个功能缩放到给定范围来转换功能。 |
preprocessing.Normalizer（[规范，复制]） |
将样品归一化为单位范数。 |
preprocessing.OneHotEncoder（[n_values，...]） |
使用一个单一的一个K方案来编码分类整数特征。 |
preprocessing.PolynomialFeatures（[度，...]） |
生成多项式和交互特征。 |
preprocessing.RobustScaler（[with_centering，...]） |
使用对异常值可靠的统计信息来缩放功能。 |
preprocessing.StandardScaler（[副本，...]） |
通过删除平均值和缩放到单位方差来标准化特征 |
preprocessing.add_dummy_feature（X [，value]） |
增强数据集，带有额外的虚拟功能。 |
preprocessing.binarize（X [，threshold，copy]） |
数组式或scipy.sparse矩阵的布尔阈值 |
preprocessing.label_binarize（y，classes [，...]） |
以一对一的方式对标签进行二值化 |
preprocessing.maxabs_scale（X [，axis，copy]） |
将每个特征缩放到[-1,1]范围，而不破坏稀疏度。 |
preprocessing.minmax_scale（X[， ...]） |
通过将每个功能缩放到给定范围来转换功能。 |
preprocessing.normalize（X [，norm，axis，...]） |
将输入向量分别缩放到单位范数（向量长度）。 |
preprocessing.robust_scale（X [，axis，...]） |
沿着任何轴标准化数据集 |
preprocessing.scale（X [，axis，with_mean，...]） |
沿着任何轴标准化数据集 |
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，通过交易控制的精确度（作为附加方差）来减少数据的维度，以实现更快的处理时间和更小的模型大小。
控制随机投影矩阵的维数和分布，以保留数据集的任意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 lemma（引用维基百科）：
在数学方面，Johnson-Lindenstrauss引理是从高维度到低维度欧几里德空间的低失真嵌入点的结果。引理指出，高维空间中的一小部分点可以嵌入到较低维度的空间中，使得点之间的距离几乎保持不变。用于嵌入的地图至少为Lipschitz，甚至可以被视为正交投影。
用户指南：有关详细信息，请参阅随机投影部分。
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维数 |
random_projection.johnson_lindenstrauss_min_dim（......） |
找到一个“安全”数量的组件随机投入 |
sklearn.semi_supervised半监督学习
该sklearn.semi_supervised模块实现半监督学习算法。这些算法使用少量的标记数据和大量未标记的数据进行分类任务。该模块包括标签传播。
用户指南：有关详细信息，请参阅半监督部分。
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LabelSpread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：有关详细信息，请参阅支持向量机部分。
估计师
svm.SVC（[C，kernel，degree，gamma，coef0，...]） |
C支持向量分类。 |
svm.LinearSVC（[罚款，损失，双重，tol，C，...]） |
线性支持向量分类。 |
svm.NuSVC（[nu，kernel，degree，gamma，...]） |
Nu支持向量分类。 |
svm.SVR（[kernel，degree，gamma，coef0，tol，...]） |
Epsilon支持向量回归。 |
svm.LinearSVR（[ε，tol，C，loss ...]） |
线性支持向量回归。 |
svm.NuSVR（[nu，C，kernel，degree，gamma，...]） |
Nu支持向量回归。 |
svm.OneClassSVM（[内核，程度，伽玛，...]） |
无监督异常值检测。 |
svm.l1_min_c（X，y [，loss，fit_intercept，...]） |
返回C的最低边界，使得对于C（l1_min_C，无穷大），模型保证不为空。 |
低级方法
svm.libsvm.fit |
使用libsvm（低级方法）训练模型 |
svm.libsvm.decision_function |
预测余量（这是libsvm的名称是predict_values） |
svm.libsvm.predict |
给定模型（低级方法）预测X的目标值 |
svm.libsvm.predict_proba |
预测概率 |
svm.libsvm.cross_validation |
交叉验证程序的绑定（低级程序） |
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：有关详细信息，请参阅决策树部分。
tree.DecisionTreeClassifier（[标准，...]） |
决策树分类器。 |
tree.DecisionTreeRegressor（[标准，...]） |
决策树倒数。 |
tree.ExtraTreeClassifier（[标准，...]） |
一个非常随机的树分类器。 |
tree.ExtraTreeRegressor（[标准，...]） |
一个非常随机的树倒数。 |
tree.export_graphviz |
以DOT格式导出决策树。 |
sklearn.utils：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，请参阅实用程序开发人员页面。
utils.check_random_state（种子） |
将种子转换成np.random.RandomState实例 |
utils.estimator_checks.check_estimator（估计） |
检查估计是否遵守scikit学习惯例。 |
utils.resample（ *数组， * *选项） |
以一致的方式重新采样数组或稀疏矩阵 |
utils.shuffle（ *数组， * *选项） |
以一致的方式排列数组或稀疏矩阵 |
最近弃用
要在0.19中删除
lda.LDA（[求解，收缩，先修，...]） |
别名sklearn.discriminant_analysis.LinearDiscriminantAnalysis。 |
qda.QDA（[priors，reg_param，...]） |
别名sklearn.discriminant_analysis.QuadraticDiscriminantAnalysis。 |
datasets.load_lfw_pairs（ * args， * * kwargs） |
DEPRECATED：函数'load_lfw_pairs'已不在0.17中，将在0.19中删除。请改用fetch_lfw_pairs（download_if_missing = False）。 |
datasets.load_lfw_people（ * args， * * kwargs） |
DEPRECATED：函数'load_lfw_people'已经在0.17中弃用，并将在0.19中删除。请改用fetch_lfw_people（download_if_missing = False）。 |
要在0.20中删除
grid_search.ParameterGrid（param_grid） |
每个参数的网格具有离散数值。 |
grid_search.ParameterSampler（... [，random_state]） |
发电机对从给定分布采样的参数。 |
grid_search.GridSearchCV（估计器，param_grid） |
对估计器的指定参数值进行详尽搜索。 |
grid_search.RandomizedSearchCV（估计，...） |
随机搜索超参数。 |
cross_validation.LeaveOneOut（n）的 |
一次性交叉验证迭代器。 |
cross_validation.LeavePOut（n，p） |
Leave-P-Out交叉验证迭代器 |
cross_validation.KFold（n [，n_folds，...]） |
K-fold交叉验证迭代器。 |
cross_validation.LabelKFold（标签[，n_folds]） |
具有非重叠标签的K-fold迭代器变体。 |
cross_validation.LeaveOneLabelOut（标签） |
Leave-One-Label_Out交叉验证迭代器 |
cross_validation.LeavePLabelOut（标签，p） |
Leave-P-Label_Out交叉验证迭代器 |
cross_validation.LabelShuffleSplit（标签[， ...]） |
Shuffle-Labels-Out交叉验证迭代器 |
cross_validation.StratifiedKFold（y [，...]） |
分层K-折叠交叉验证迭代器 |
cross_validation.ShuffleSplit（n [，n_iter，...]） |
随机置换交叉验证迭代器。 |
cross_validation.StratifiedShuffleSplit（y [，...]） |
分层ShuffleSplit交叉验证迭代器 |
cross_validation.PredefinedSplit（test_fold） |
预定义的分割交叉验证迭代器 |
decomposition.RandomizedPCA（ * args， * * kwargs） |
主成分分析（PCA）使用随机SVD |
gaussian_process.GaussianProcess（ * args， * * kwargs） |
传统的高斯过程模型类。 |
mixture.GMM（ * args， * * kwargs） |
传统高斯混合模型 |
mixture.DPGMM（ * args， * * kwargs） |
Dirichlet过程高斯混合模型 |
mixture.VBGMM（ * args， * * kwargs） |
高斯混合模型的变分推理 |
grid_search.fit_grid_point（X，y，估计器，...） |
运行适合一组参数。 |
learning_curve.learning_curve（估计器，X，y） |
学习曲线。 |
learning_curve.validation_curve（估计，...） |
验证曲线。 |
cross_validation.cross_val_predict（估计器，X） |
为每个输入数据点生成交叉验证的估计 |
cross_validation.cross_val_score（估计器，X） |
通过交叉验证评估分数 |
cross_validation.check_cv（cv [，X，y，分类器]） |
输入检查器实用程序以用户友好的方式构建简历。 |
cross_validation.permutation_test_score（......） |
评估具有排列的交叉验证分数的意义 |
cross_validation.train_test_split（ *数组，...） |
将阵列或矩阵分解成随机列和测试子集 |