scikit-learning API

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。

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 [，相似性]）

两组双核的相似性。

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。

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，γ]）	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，γ]）	计算X和Y之间的rbf（高斯）内核：
metrics.pairwise.sigmoid_kernel（X [，Y，...]）	计算X和Y之间的S形内核：
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，γ]）	计算X和Y之间的拉普拉斯核。
metrics.pairwise_distances（X [，Y，度量，...]）	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和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 [，度量]）	计算X和Y之间的配对距离。

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。

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 [，相似性]）

两组双核的相似性。

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。

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，γ]）	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，γ]）	计算X和Y之间的rbf（高斯）内核：
metrics.pairwise.sigmoid_kernel（X [，Y，...]）	计算X和Y之间的S形内核：
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，γ]）	计算X和Y之间的拉普拉斯核。
metrics.pairwise_distances（X [，Y，度量，...]）	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和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 [，度量]）	计算X和Y之间的配对距离。

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