所有函数和类的确切API，由docstrings给出。API会为所有功能提供预期类型和允许的功能，以及可用于算法的所有参数。
原文链接 : http://scikit-learn.org/stable/modules/classes.html
译文链接 : http://cwiki.apachecn.org/pages/viewpage.action?pageId=10030193
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: Base classes and utility functions（基类和效用函数）
所有估计量的基类。
基础类
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 | 所有聚类估计器的混合类在scikit学习中 |
base.RegressorMixin | 所有回归估计器的混合类在scikit学习 |
base.TransformerMixin | 所有变压器的混合类在scikit学习 |
sklearn.cluster: Clustering（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([damping, ...]) | 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([bandwidth, seeds, ...]) | 使用平坦内核的平均移位聚类 |
cluster.SpectralClustering([n_clusters, ...]) | 将聚类应用于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[, connectivity, ...]) | 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[, bandwidth, seeds, ...]) | 使用平坦的内核执行数据的平均移位聚类 |
cluster.spectral_clustering(affinity[, ...]) | 将聚类应用于对规范化拉普拉斯算子的投影 |
sklearn.cluster.bicluster: Biclustering（双聚类）
光谱双聚类算法。
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, ...]) | 光谱双聚类（Kluger，2003） |
SpectralCoclustering([n_clusters, ...]) | 光谱共聚焦算法（Dhillon，2001） |
sklearn.covariance: Covariance Estimators（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, ...]) | LedoitWolf估计 |
covariance.MinCovDet([store_precision, ...]) | 最小协方差决定因素（MCD）：协方差的robust估计 |
covariance.OAS([store_precision, ...]) | Oracle近似收缩估计 |
covariance.ShrunkCovariance([...]) | 协变量估计与收缩 |
covariance.empirical_covariance(X[, ...]) | 计算最大似然协方差估计 |
covariance.ledoit_wolf(X[, assume_centered, ...]) | 估计缩小的Ledoit-Wolf协方差矩阵 |
covariance.shrunk_covariance(emp_cov[, ...]) | 计算对角线上收缩的协方差矩阵 |
covariance.oas(X[, assume_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: 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) | 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) | 预定义分裂交叉验证器 |
model_selection.TimeSeriesSplit([n_splits]) | 时间序列交叉验证器 |
分割函数
model_selection.train_test_split(\*arrays, ...) | 将阵列或矩阵拆分成随机列和测试子集 |
model_selection.check_cv([cv, y, classifier]) | 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(estimator, ...) | 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量的值 |
model_selection.ParameterSampler(...[, ...]) | 发电机对从给定分布采样的参数 |
model_selection.fit_grid_point(X, y, ...[, ...]) | 适合一组参数 |
模型验证
model_selection.cross_val_score(estimator, X) | 通过交叉验证评估分数 |
model_selection.cross_val_predict(estimator, X) | 为每个输入数据点生成交叉验证的估计 |
model_selection.permutation_test_score(...) | 评估具有置换的交叉验证分数的意义 |
model_selection.learning_curve(estimator, X, y) | 学习曲线 |
model_selection.validation_curve(estimator, ...) | 验证曲线 |
sklearn.datasets: 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-learn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([subset, ...]) | 在野外（LFW）对数据集中的标记面的装载程序 |
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(dataname) | 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，必要时下载 |
datasets.fetch_kddcup99([subset, shuffle, ...]) | 加载并返回kddcup 99数据集（分类） |
datasets.fetch_rcv1([data_home, subset, ...]) | 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的装载机 |
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([mean, ...]) | 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，正定矩阵 |
datasets.make_swiss_roll([n_samples, noise, ...]) | 生成瑞士卷数据集 |
datasets.make_biclusters(shape, 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(shape, n_clusters) | 生成具有块棋盘结构的数组，用于双向聚集 |
sklearn.decomposition: Matrix 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, ...]) | 内核主成分分析（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(dictionary[, ...]) | 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, ...]) | 执行快速独立成分分析 |
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, dictionary[, ...]) | 稀疏编码 |
sklearn.dummy: Dummy estimators（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([strategy, ...]) | DummyClassifier是使用简单规则进行预测的分类器 |
dummy.DummyRegressor([strategy, constant, ...]) | DummyRegressor是使用简单规则进行预测的倒数 |
sklearn.ensemble: Ensemble Methods（集成方法）
该sklearn.ensemble模块包括用于分类，回归和异常检测的基于集成的方法。
用户指南：有关详细信息，请参阅“ 集成方法”部分。
ensemble.AdaBoostClassifier([...]) | 一个AdaBoost分类器 |
ensemble.AdaBoostRegressor([base_estimator, ...]) | AdaBoost回归器 |
ensemble.BaggingClassifier([base_estimator, ...]) | Bagging分类器 |
ensemble.BaggingRegressor([base_estimator, ...]) | Bagging回归器 |
ensemble.ExtraTreesClassifier([...]) | 一个额外的树分类器 |
ensemble.ExtraTreesRegressor([n_estimators, ...]) | 一个额外的树回归器 |
ensemble.GradientBoostingClassifier([loss, ...]) | 梯度提升分类 |
ensemble.GradientBoostingRegressor([loss, ...]) | 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集成 |
ensemble.RandomForestRegressor([...]) | 随机森林回归器 |
ensemble.VotingClassifier(estimators[, ...]) | 软投票/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: Exceptions and warnings（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 | 用于通知用户效率低下的警告 |
exceptions.FitFailedWarning | 如果在拟合估计器时出现错误，则使用警告类 |
exceptions.NonBLASDotWarning | 点操作不使用BLAS时使用的警告 |
exceptions.UndefinedMetricWarning | 度量无效时使用的警告 |
sklearn.feature_extraction: 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特征的方法。
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([...]) | 实现哈希功能，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(...) | 从所有补丁重构图像 |
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([...]) | 将计数矩阵转换为标准化的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: 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(estimator) | 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(estimator[, ...]) | 功能排序与递归功能消除 |
feature_selection.RFECV(estimator[, step, ...]) | 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([threshold]) | 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) | 计算提供的样本的方差分析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: Gaussian Processes（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） |
内核:
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([...]) | Matern 内核. |
gaussian_process.kernels.RationalQuadratic([...]) | 理性二次内核 |
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(kernels) | 内核由一组其他内核组成 |
gaussian_process.kernels.Hyperparameter | 内核超参数的指定形式为namedtuple |
sklearn.isotonic: Isotonic regression（等式回归）
用户指南：有关详细信息，请参阅等渗回归部分。
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 Kernel Approximation（内核近似）
该sklearn.kernel_approximation模块基于傅里叶变换实现几个近似核特征图。
用户指南：有关更多详细信息，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([kernel, ...]) | 使用训练数据的子集近似一个内核映射 |
kernel_approximation.RBFSampler([gamma, ...]) | 通过其傅立叶变换的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 Kernel Ridge Regression（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: 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: Generalized Linear Models（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”一节。
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([alpha, l1_ratio, ...]) | 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([epsilon, ...]) | 线性回归模型，对离群值是robust |
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（又名拉索） |
linear_model.LassoCV([eps, n_alphas, ...]) | 拉索线性模型，沿正则化路径迭代拟合 |
linear_model.LassoLars([alpha, ...]) | 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([criterion, ...]) | Lasso模型适合Lars使用BIC或AIC进行型号选择 |
linear_model.LinearRegression([...]) | 普通最小二乘线性回归 |
linear_model.LogisticRegression([penalty, ...]) | 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([alpha, ...]) | 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([alpha, ...]) | 用L1 / L2混合规范训练的多任务ElasticNet模型作为正则化程序 |
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([penalty, alpha, ...]) | 在“ 用户指南”中阅读更多内容。 |
linear_model.RandomizedLasso([alpha, ...]) | 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([alpha, ...]) | 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([loss, penalty, ...]) | 线性分类器（SVM，逻辑回归，ao）与SGD训练 |
linear_model.SGDRegressor([loss, penalty, ...]) | 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[, ...]) | 基于随机拉索估计的稳定性路径 |
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: Manifold Learning（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, perplexity, ...]) | t分布随机相邻嵌入 |
manifold.locally_linear_embedding(X, ...[, ...]) | 对数据进行局部线性嵌入分析 |
manifold.spectral_embedding(adjacency[, ...]) | 将样本投影在拉普拉斯算子的第一个特征向量上 |
sklearn.metrics: Metrics（指标）
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记分员 |
metrics.get_scorer(scoring) |
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[, ...]) | 准确度分级得分 |
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) | 构建一个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 precision-recall 对 |
metrics.precision_recall_fscore_support(...) | 计算每个课程的precision，recall，F度量和支持 |
metrics.precision_score(y_true, y_pred[, ...]) | 计算precision |
metrics.recall_score(y_true, y_pred[, ...]) | 计算recall |
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 |
回归指标
有关详细信息，请参阅用户指南的“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 |
多标签排名指标
有关更多详细信息，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 |
聚类指标
有关详细信息，请参阅用户指南的群集性能评估部分。
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，它为每个样本使用地面真值类别值。
- 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, labels) | 计算Calinski和Harabaz得分 |
metrics.completeness_score(labels_true, ...) | 给定一个地面真相的集群标签的完整度量 |
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, labels[, ...]) | 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
有关更多详细信息 ，请参阅用户指南的“ 成对度量度，亲和力和内核”部分。
sklearn.mixture: Gaussian Mixture Models（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，请参阅高斯混合模型部分。
mixture.GaussianMixture([n_components, ...]) | 高斯混合 |
mixture.BayesianGaussianMixture([...]) | 高斯混合变分贝叶斯估计 |
sklearn.multiclass: Multiclass and multilabel classification（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：
- one-vs-the-rest / one-vs-all
- one-vs-one
- 纠错输出代码
该模块中提供的估计量是元估计器：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，希望它们的准确性或运行时性能得到改善。
scikit-learn中的所有分类器实现多类分类; 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，在多重标签的情况下，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(estimator[, ...]) | One-vs-the-rest (OvR) 多类/多标签策略 |
multiclass.OneVsOneClassifier(estimator[, ...]) | One-vs-one 多类策略 |
multiclass.OutputCodeClassifier(estimator[, ...]) | （错误校正）输出代码多类策略 |
sklearn.multioutput: Multioutput regression and classification（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：有关详细信息，请参阅多类和多标签算法部分。
multioutput.MultiOutputRegressor(estimator) | 多目标回归 |
multioutput.MultiOutputClassifier(estimator) | 多目标分类 |
sklearn.naive_bayes: 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“ 朴素贝叶斯”部分。
naive_bayes.GaussianNB([priors]) | 高斯朴素贝叶斯（GaussianNB） |
naive_bayes.MultinomialNB([alpha, ...]) | 朴素贝叶斯分类器多项式模型 |
naive_bayes.BernoulliNB([alpha, binarize, ...]) | 朴素贝叶斯分类器多变量伯努利模型 |
sklearn.neighbors: Nearest Neighbors（最近邻）
该sklearn.neighbors模块实现了k-最近邻居算法。
用户指南：有关更多详细信息，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([...]) | 分类器在给定半径内的邻居中执行投票 |
neighbors.KNeighborsRegressor([n_neighbors, ...]) | 基于k最近邻的回归 |
neighbors.RadiusNeighborsRegressor([radius, ...]) | 基于固定半径内的邻居的回归 |
neighbors.NearestCentroid([metric, ...]) | 最重心分类器 |
neighbors.BallTree | BallTree用于快速泛化N点问题 |
neighbors.KDTree | KDTree用于快速泛化的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([bandwidth, ...]) | 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, radius) | 计算X中的点的邻居的（加权）图 |
sklearn.neural_network: Neural network models（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 |
sklearn.calibration: Probability 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([...]) | 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: 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: Pipeline（管道）
该sklearn.pipeline模块实现实用程序来构建复合估计器，作为变换链和估计器链。
pipeline.Pipeline(steps) | 最终估计量的变换管道 |
pipeline.FeatureUnion(transformer_list[, ...]) | 连接多个变压器对象的结果 |
pipeline.make_pipeline(\*steps) | 从给定的估计量构建管道 |
pipeline.make_union(\*transformers) | 从给定的变压器构造一个FeatureUnion |
sklearn.preprocessing: Preprocessing and Normalization（预处理和规范化）
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([classes, ...]) | 在迭代迭代和多标签格式之间进行转换 |
preprocessing.MaxAbsScaler([copy]) | 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([norm, copy]) | 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([degree, ...]) | 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特征 |
preprocessing.StandardScaler([copy, ...]) | 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 one-vs-all 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: 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，高维度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”数量的组件随机投影到 |
sklearn.semi_supervised Semi-Supervised Learning（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分类任务数据。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([kernel, ...]) | 标签传播分类器 |
semi_supervised.LabelSpreading([kernel, ...]) | 用于半监督学习的LabelSpread模型 |
sklearn.svm: Support Vector Machines（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。
svm.SVC([C, kernel, degree, gamma, coef0, ...]) | C支持向量分类 |
svm.LinearSVC([penalty, loss, dual, 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([epsilon, 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([kernel, degree, gamma, ...]) | 无监督异常检测 |
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 | 给定模型预测X的目标值（低级方法） |
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: Decision Trees（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([criterion, ...]) | 决策树分类器 |
tree.DecisionTreeRegressor([criterion, ...]) | 决策树倒数 |
tree.ExtraTreeClassifier([criterion, ...]) | 一个非常随机的树分类器 |
tree.ExtraTreeRegressor([criterion, ...]) | 一个非常随机的树倒数 |
tree.export_graphviz | 以DOT格式导出决策树 |
sklearn.utils: Utilities（工具）
该sklearn.utils模块包括各种实用程序。
开发人员指南：有关详细信息，请参阅实用程序开发人员页面。
utils.check_random_state(seed) | 将种子转换成np.random.RandomState实例 |
utils.estimator_checks.check_estimator(Estimator) | 检查估计是否符合scikit学习惯例 |
utils.resample(\*arrays, \*\*options) | 以一致的方式重新采样数组或稀疏矩阵 |
utils.shuffle(\*arrays, \*\*options) | 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([solver, shrinkage, priors, ...]) | 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'已经在0.17中被弃用，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'在0.17中已被弃用，将在0.19中删除。请改用fetch_lfw_people（download_if_missing = False） |
在0.20中删除
grid_search.ParameterGrid(param_grid) | 每个参数的网格具有离散数量的值 |
grid_search.ParameterSampler(...[, random_state]) | 发电机对从给定分布采样的参数 |
grid_search.GridSearchCV(estimator, param_grid) | 对估计器的指定参数值进行详尽搜索 |
grid_search.RandomizedSearchCV(estimator, ...) | 随机搜索超参数 |
cross_validation.LeaveOneOut(n) | 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(labels[, n_folds]) | 具有非重叠标签的K-fold迭代器变体 |
cross_validation.LeaveOneLabelOut(labels) | Leave-One-Label_Out交叉验证迭代器 |
cross_validation.LeavePLabelOut(labels, p) | Leave-P-Label_Out交叉验证迭代器 |
cross_validation.LabelShuffleSplit(labels[, ...]) | 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) | 遗留高斯过程模型类 |
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, estimator, ...) | 适合一组参数 |
learning_curve.learning_curve(estimator, X, y) | 学习曲线 |
learning_curve.validation_curve(estimator, ...) | 验证曲线 |
cross_validation.cross_val_predict(estimator, X) | 为每个输入数据点生成交叉验证的估计 |
cross_validation.cross_val_score(estimator, X) | 通过交叉验证评估分数 |
cross_validation.check_cv(cv[, X, y, classifier]) | 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(...) | 评估具有置换的交叉验证分数的意义 |
cross_validation.train_test_split(\*arrays, ...) | 将阵列或矩阵拆分成随机列和测试子集 |
646
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
