文档章节

sklearn API 文档 - 0.18 中文翻译

片刻
 片刻
发布于 2017/07/11 19:53
字数 8859
阅读 320
收藏 1
点赞 0
评论 0

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

 

贡献者 : 片刻 ApacheCN Apache中文网

 

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

 

函数

base.clone(estimator[, safe]) 构造具有相同参数的新估计器

 

  

sklearn.cluster: Clustering(聚类)

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。

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。

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)

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)

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)

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)

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)

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)

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

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

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)

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)

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)

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)

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)

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。

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。

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

 

二聚体指标

有关详细信息,请参阅用户指南的Biclustering评估部分。

metrics.consensus_score(a, b[, similarity]) 两组双核的相似性

 

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。

metrics.pairwise.additive_chi2_kernel(X[, Y]) 计算X和Y中观测值之间的加性卡方核
metrics.pairwise.chi2_kernel(X[, Y, gamma]) 计算指数卡方核X和Y
metrics.pairwise.distance_metrics() pairwise_distances的有效指标
metrics.pairwise.euclidean_distances(X[, Y, ...]) 考虑X(和Y = X)的行作为向量,计算每对向量之间的距离矩阵
metrics.pairwise.kernel_metrics() pairwise_kernels的有效指标
metrics.pairwise.linear_kernel(X[, Y]) 计算X和Y之间的线性内核
metrics.pairwise.manhattan_distances(X[, Y, ...]) 计算X和Y中向量之间的L1距离
metrics.pairwise.pairwise_distances(X[, Y, ...]) 从矢量数组X和可选Y计算距离矩阵
metrics.pairwise.pairwise_kernels(X[, Y, ...]) 计算阵列X和可选阵列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, gamma]) 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形内核
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.laplacian_kernel(X[, Y, gamma]) 计算X和Y之间的拉普拉斯核
metrics.pairwise_distances(X[, Y, metric, ...]) 从矢量数组X和可选Y计算距离矩阵
metrics.pairwise_distances_argmin(X, Y[, ...]) 计算一点与一组点之间的最小距离
metrics.pairwise_distances_argmin_min(X, Y) 计算一点与一组点之间的最小距离
metrics.pairwise.paired_euclidean_distances(X, Y) 计算X与Y之间的配对欧氏距离
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[, metric]) 计算X和Y之间的配对距离

 

  

sklearn.mixture: Gaussian Mixture Models(高斯混合模型)

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)

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)

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)

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)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)

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)

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)

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)

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。

评估者

 

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)

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)

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

© 著作权归作者所有

共有 人打赏支持
片刻
粉丝 93
博文 268
码字总数 306559
作品 0
海淀
高级程序员
Scikit-Learn (Sklearn) 中文文档 0.19

Scikit-Learn (Sklearn) 中文文档 0.19 scikit-learn 是基于 Python 语言的机器学习工具。 简单高效的数据挖掘和数据分析工具 可供大家在各种环境中重复使用 建立在 NumPy ,SciPy 和 matplo...

wizardforcel ⋅ 2017/12/10 ⋅ 0

Scikit-Learn (Sklearn) 中文文档 0.19

Scikit-Learn (Sklearn) 中文文档 0.19 scikit-learn 是基于 Python 语言的机器学习工具。 简单高效的数据挖掘和数据分析工具 可供大家在各种环境中重复使用 建立在 NumPy ,SciPy 和 matplo...

龙哥盟飞龙 ⋅ 2017/12/10 ⋅ 0

IT 技术数据&翻译 目录整理--Awesome-IT-Books

Awesome-IT-Books 本目录旨在集合各个优秀IT书籍&API翻译&官方Docs翻译。 这个仓库不产出书籍,只是将网上流传着的书籍&书籍翻译集合在一起,供大家检索学习。 在此先感谢那些为我们提供书籍...

charchen ⋅ 2017/04/25 ⋅ 1

Fanta/free-programming-books-zh_CN

免费的编程中文书籍索引 免费的编程中文书籍索引,欢迎投稿。 国外程序员在 stackoverflow 推荐的程序员必读书籍,中文版。 stackoverflow 上的程序员应该阅读的非编程类书籍有哪些? 中文版...

Fanta ⋅ 2016/11/14 ⋅ 0

免费的编程中文书籍索引【收藏速度】

语言无关类 优质博客 PyTab在线手册中心 ImportNew 廖雪峰的官方网站 程序员博客墙 操作系统 开源世界旅行手册 鸟哥的Linux私房菜 Linux 系统高级编程 The Linux Command Line (中英文版) L...

yonghu86 ⋅ 2015/04/15 ⋅ 0

开源电子书

目录 语言无关类 操作系统 智能系统 分布式系统 编译原理 函数式概念 计算机图形学 WEB服务器 版本控制 编辑器 NoSQL PostgreSQL MySQL 管理和监控 项目相关 设计模式 Web 大数据 编程艺术 ...

zting科技 ⋅ 2017/12/11 ⋅ 0

迷渡:免费的编程中文书籍索引

本文之前发布过,近半年后,本文作者(迷渡,JustJavaC)大幅度进行了更新,因此再次分享给大家。感谢 @justjavac 和众多的分享者!感谢写作这些文档、手册的人们! 语言无关类 操作系统 开源...

山哥 ⋅ 2015/01/22 ⋅ 4

Play 2.0 中文资料--翻译附注解(持续更新中)

最近在研究 PlayFramework 2.0,主要关注在使用 Scala 来写 Play 2.0 的应用,下面是从官方文档进行的翻译,并加入了大量的自己的理解与备注(Unmi 注: 起头的蓝色文字) Play 2.0 中文资料 - ...

YanbinQ ⋅ 2012/10/26 ⋅ 0

编程类开放书籍荟萃(转载)

关于开源图书有人在网络上做了大量整理,本文为大家刊载《免费的编程中文书籍索引》 国外程序员在 stackoverflow 推荐的程序员必读书籍,中文版。 stackoverflow 上的程序员应该阅读的非编程...

行者PHPer ⋅ 2016/10/09 ⋅ 0

总有你要的编程书单(GitHub )

目录 IDE IntelliJ IDEA 简体中文专题教程 MySQL 21分钟MySQL入门教程 MySQL索引背后的数据结构及算法原理 NoSQL Disque 使用教程 Neo4j .rb 中文資源 Redis 命令参考 Redis 设计与实现 The ...

汇智网 ⋅ 2017/11/22 ⋅ 0

没有更多内容

加载失败,请刷新页面

加载更多

下一页

Qt中的坑--QTreeWidget添加item 不能显示出来

QTreeWidget* pTree = ui.TreeCheckList; QTreeWidgetItem* item = new QTreeWidgetItem(pTree) ;item->setText ( 0, "test" );pTree->addTopLevelItem (item ); 原因是因为创建一个......

k91191 ⋅ 32分钟前 ⋅ 0

使用Guava的RateLimiter做限流

场景: 1. 在日常生活中,我们肯定收到过不少不少这样的短信,“京东最新优惠卷…”,“天猫送您…”。这种类型的短信是属于推广性质的短信。这种短信一般群发量会到千万级别。然而,要完成这...

wind2012 ⋅ 32分钟前 ⋅ 0

QSlider重新enterEvent

#ifndef DIALOG_H#define DIALOG_H#include <QDialog>namespace Ui {class Dialog;}class Dialog : public QDialog{ Q_OBJECTpublic: explicit Dialog(QW......

xxdd ⋅ 33分钟前 ⋅ 0

生产环境redis备份与恢复

生产环境redis备份与恢复 Tyrant0532 0人评论 1563人阅读 2018-02-01 20:34:10 redis是一个开源(BSD许可),内存存储的数据结构服务器,可用作数据库,高速缓存和消息队列代理。生产中我们主...

rootliu ⋅ 35分钟前 ⋅ 0

nginx中出现403forbidden错误

nginx “403 Forbidden” 错误 出现这个错误一般是因为以下原因: 网站禁止特定的用户访问所有内容,例:网站屏蔽某个ip访问。 访问禁止目录浏览的目录,例:设置autoindex off后访问目录。 ...

河图再现 ⋅ 35分钟前 ⋅ 0

上海云栖:金融政企行业的CDN最佳实践

摘要: 在刚刚结束的上海云栖大会飞天技术汇分论坛上,阿里云视频云产品架构师罗小飞进行了《阿里云CDN——面向金融政企的CDN最佳实践》主题分享,为上海的嘉宾介绍CDN的解决方案与技术服务体...

猫耳m ⋅ 41分钟前 ⋅ 0

docker 基本操作

docker介绍 Docker项目提供了构建在Linux内核功能之上,协同在一起的的高级工具。其目标是帮助开发和运维人员更容易地跨系统跨主机交付应用程序和他们的依赖。Docker通过Docker容器,一个安全...

haoyuehong ⋅ 42分钟前 ⋅ 0

上海云栖:金融政企行业的CDN最佳实践

摘要: 在刚刚结束的上海云栖大会飞天技术汇分论坛上,阿里云视频云产品架构师罗小飞进行了《阿里云CDN——面向金融政企的CDN最佳实践》主题分享,为上海的嘉宾介绍CDN的解决方案与技术服务体...

阿里云云栖社区 ⋅ 44分钟前 ⋅ 0

安装与配置hadoop

一、CentOS7安装 java8,参考centos7.0 安装java1.8,tomcat 二、安装hadoop 版本V3.03 1、下载并解压hadoop # mkdir /usr/local/app# mkdir /usr/local/app/hadoop# cd /usr/local/app/had......

iturtle ⋅ 45分钟前 ⋅ 0

Idea设置Serializable自动生成

File --> Settings --> Editor --> Inspections ->Serialization issues,在该项下找到“Serializable class without 'serialVersionUID' ”并勾选...

Gmupload ⋅ 48分钟前 ⋅ 0

没有更多内容

加载失败,请刷新页面

加载更多

下一页

返回顶部
顶部