API参考#

这是scikit-learn的类和函数参考。更多详情，请参考完整用户指南，因为类和函数的原始规范可能不足以提供其用法的完整指南。有关API中重复概念的参考，请参阅常用术语和API元素词汇表。

对象	描述
`config_context`	用于全局scikit-learn配置的上下文管理器。 `sklearn`
`get_config`	检索由`set_config`设置的配置的当前值。 `sklearn`
`set_config`	设置全局scikit-learn配置。 `sklearn`
`show_versions`	打印有用的调试信息。 `sklearn`
`BaseEstimator`	scikit-learn中所有估计器的基类。 `sklearn.base`
`BiclusterMixin`	scikit-learn中所有双聚类估计器的Mixin类。 `sklearn.base`
`ClassNamePrefixFeaturesOutMixin`	用于通过前缀生成其自身名称的变换器的Mixin类。 `sklearn.base`
`ClassifierMixin`	scikit-learn中所有分类器的Mixin类。 `sklearn.base`
`ClusterMixin`	scikit-learn中所有聚类估计器的Mixin类。 `sklearn.base`
`DensityMixin`	scikit-learn中所有密度估计器的Mixin类。 `sklearn.base`
`MetaEstimatorMixin`	scikit-learn中所有元估计器的Mixin类。 `sklearn.base`
`OneToOneFeatureMixin`	为简单的变换器提供`get_feature_names_out`。 `sklearn.base`
`OutlierMixin`	scikit-learn中所有异常检测估计器的Mixin类。 `sklearn.base`
`RegressorMixin`	scikit-learn中所有回归估计器的Mixin类。 `sklearn.base`
`TransformerMixin`	scikit-learn中所有变换器的Mixin类。 `sklearn.base`
`clone`	使用相同的参数构造一个新的未拟合估计器。 `sklearn.base`
`is_classifier`	如果给定的估计器（可能）是分类器，则返回True。 `sklearn.base`
`is_clusterer`	如果给定的估计器（可能）是聚类器，则返回True。 `sklearn.base`
`is_regressor`	如果给定的估计器（可能）是回归器，则返回True。 `sklearn.base`
`is_outlier_detector`	如果给定的估计器（可能）是异常检测器，则返回True。 `sklearn.base`
`CalibratedClassifierCV`	使用等值回归或逻辑回归进行概率校准。 `sklearn.calibration`
`calibration_curve`	计算校准曲线的真实概率和预测概率。 `sklearn.calibration`
`CalibrationDisplay`	校准曲线（也称为可靠性图）可视化。 `sklearn.calibration`
`AffinityPropagation`	执行数据的亲和传播聚类。 `sklearn.cluster`
`AgglomerativeClustering`	凝聚聚类。 `sklearn.cluster`
`Birch`	实现BIRCH聚类算法。 `sklearn.cluster`
`BisectingKMeans`	二分K均值聚类。 `sklearn.cluster`
`DBSCAN`	从向量数组或距离矩阵执行DBSCAN聚类。 `sklearn.cluster`
`FeatureAgglomeration`	聚合特征。 `sklearn.cluster`
`HDBSCAN`	使用基于层次密度的聚类对数据进行聚类。 `sklearn.cluster`
`KMeans`	K均值聚类。 `sklearn.cluster`
`MeanShift`	使用平面核的均值漂移聚类。 `sklearn.cluster`
`MiniBatchKMeans`	小批量K均值聚类。 `sklearn.cluster`
`OPTICS`	从向量数组估计聚类结构。 `sklearn.cluster`
`SpectralBiclustering`	谱双聚类（Kluger，2003）。 `sklearn.cluster`
`SpectralClustering`	将聚类应用于归一化拉普拉斯算子的投影。 `sklearn.cluster`
`SpectralCoclustering`	谱共聚类算法（Dhillon，2001）。 `sklearn.cluster`
`affinity_propagation`	执行数据的亲和传播聚类。 `sklearn.cluster`
`cluster_optics_dbscan`	为任意epsilon执行DBSCAN提取。 `sklearn.cluster`
`cluster_optics_xi`	根据Xi-steep方法自动提取集群。 `sklearn.cluster`
`compute_optics_graph`	计算OPTICS可达性图。 `sklearn.cluster`
`dbscan`	从向量数组或距离矩阵执行DBSCAN聚类。 `sklearn.cluster`
`estimate_bandwidth`	估计与均值漂移算法一起使用的带宽。 `sklearn.cluster`
`k_means`	执行K均值聚类算法。 `sklearn.cluster`
`kmeans_plusplus`	根据k-means++初始化n_clusters种子。 `sklearn.cluster`
`mean_shift`	使用平面核对数据执行均值漂移聚类。 `sklearn.cluster`
`spectral_clustering`	将聚类应用于归一化拉普拉斯算子的投影。 `sklearn.cluster`
`ward_tree`	基于特征矩阵的 Ward 聚类。 `sklearn.cluster`
`ColumnTransformer`	将转换器应用于数组或 pandas DataFrame 的列。 `sklearn.compose`
`TransformedTargetRegressor`	元估计器，用于对转换后的目标进行回归。 `sklearn.compose`
`make_column_selector`	创建一个可调用对象，用于选择要与…一起使用的列。 `sklearn.compose`
`make_column_transformer`	根据给定的转换器构建 ColumnTransformer。 `sklearn.compose`
`EllipticEnvelope`	用于检测高斯分布数据集中的异常值的对象。 `sklearn.covariance`
`EmpiricalCovariance`	最大似然协方差估计器。 `sklearn.covariance`
`GraphicalLasso`	使用 l1 正则化估计器的稀疏逆协方差估计。 `sklearn.covariance`
`GraphicalLassoCV`	具有交叉验证选择的 l1 惩罚的稀疏逆协方差。 `sklearn.covariance`
`LedoitWolf`	Ledoit-Wolf 估计器。 `sklearn.covariance`
`MinCovDet`	最小协方差行列式 (MCD)：协方差的稳健估计器。 `sklearn.covariance`
`OAS`	Oracle 近似收缩估计器。 `sklearn.covariance`
`ShrunkCovariance`	具有收缩的协方差估计器。 `sklearn.covariance`
`empirical_covariance`	计算最大似然协方差估计器。 `sklearn.covariance`
`graphical_lasso`	L1 正则化协方差估计器。 `sklearn.covariance`
`ledoit_wolf`	估计收缩的 Ledoit-Wolf 协方差矩阵。 `sklearn.covariance`
`ledoit_wolf_shrinkage`	估计收缩的 Ledoit-Wolf 协方差矩阵。 `sklearn.covariance`
`oas`	使用 Oracle 近似收缩估计协方差。 `sklearn.covariance`
`shrunk_covariance`	计算对角线上收缩的协方差矩阵。 `sklearn.covariance`
`CCA`	典型相关分析，也称为“模式 B”PLS。 `sklearn.cross_decomposition`
`PLSCanonical`	偏最小二乘转换器和回归器。 `sklearn.cross_decomposition`
`PLSRegression`	PLS 回归。 `sklearn.cross_decomposition`
`PLSSVD`	偏最小二乘 SVD。 `sklearn.cross_decomposition`
`clear_data_home`	删除数据主缓存中的所有内容。 `sklearn.datasets`
`dump_svmlight_file`	以 svmlight/libsvm 文件格式转储数据集。 `sklearn.datasets`
`fetch_20newsgroups`	加载来自 20 个新闻组数据集的文件名和数据（分类）。 `sklearn.datasets`
`fetch_20newsgroups_vectorized`	加载并向量化 20 个新闻组数据集（分类）。 `sklearn.datasets`
`fetch_california_housing`	加载加利福尼亚州住房数据集（回归）。 `sklearn.datasets`
`fetch_covtype`	加载 covertype 数据集（分类）。 `sklearn.datasets`
`fetch_file`	如果本地文件夹中不存在，则从 Web 获取文件。 `sklearn.datasets`
`fetch_kddcup99`	加载 kddcup99 数据集（分类）。 `sklearn.datasets`
`fetch_lfw_pairs`	加载野外标记面孔 (LFW) 对数据集（分类）。 `sklearn.datasets`
`fetch_lfw_people`	加载野外标记面孔 (LFW) 人员数据集（分类）。 `sklearn.datasets`
`fetch_olivetti_faces`	加载来自 AT&T 的 Olivetti 面部数据集（分类）。 `sklearn.datasets`
`fetch_openml`	按名称或数据集 ID 从 openml 获取数据集。 `sklearn.datasets`
`fetch_rcv1`	加载 RCV1 多标签数据集（分类）。 `sklearn.datasets`
`fetch_species_distributions`	加载来自 Phillips 等人 (2006) 的物种分布数据集的加载器。 `sklearn.datasets`
`get_data_home`	返回 scikit-learn 数据目录的路径。 `sklearn.datasets`
`load_breast_cancer`	加载并返回威斯康星州乳腺癌数据集（分类）。 `sklearn.datasets`
`load_diabetes`	加载并返回糖尿病数据集（回归）。 `sklearn.datasets`
`load_digits`	加载并返回数字数据集（分类）。 `sklearn.datasets`
`load_files`	加载文本文件，类别作为子文件夹名称。 `sklearn.datasets`
`load_iris`	加载并返回虹膜数据集（分类）。 `sklearn.datasets`
`load_linnerud`	加载并返回物理运动 Linnerud 数据集。 `sklearn.datasets`
`load_sample_image`	加载单个样本图像的 numpy 数组。 `sklearn.datasets`
`load_sample_images`	加载用于图像处理的样本图像。 `sklearn.datasets`
`load_svmlight_file`	将 svmlight/libsvm 格式的数据集加载到稀疏 CSR 矩阵中。 `sklearn.datasets`
`load_svmlight_files`	从 SVMlight 格式的多个文件中加载数据集。 `sklearn.datasets`
`load_wine`	加载并返回葡萄酒数据集（分类）。 `sklearn.datasets`
`make_biclusters`	为双聚类生成常数块对角结构数组。 `sklearn.datasets`
`make_blobs`	为聚类生成各向同性高斯斑点。 `sklearn.datasets`
`make_checkerboard`	为双聚类生成具有块棋盘结构的数组。 `sklearn.datasets`
`make_circles`	在 2D 中制作一个包含较小圆圈的大圆圈。 `sklearn.datasets`
`make_classification`	生成一个随机的 n 类分类问题。 `sklearn.datasets`
`make_friedman1`	生成“Friedman #1”回归问题。 `sklearn.datasets`
`make_friedman2`	生成“Friedman #2”回归问题。 `sklearn.datasets`
`make_friedman3`	生成“Friedman #3”回归问题。 `sklearn.datasets`
`make_gaussian_quantiles`	生成各向同性高斯数据并按分位数标记样本。 `sklearn.datasets`
`make_hastie_10_2`	生成 Hastie 等人 2009，示例 10.2 中使用的二元分类数据。 `sklearn.datasets`
`make_low_rank_matrix`	生成一个具有钟形奇异值的主要是低秩矩阵。 `sklearn.datasets`
`make_moons`	制作两个交错的半圆。 `sklearn.datasets`
`make_multilabel_classification`	生成一个随机的多标签分类问题。 `sklearn.datasets`
`make_regression`	生成一个随机的回归问题。 `sklearn.datasets`
`make_s_curve`	生成 S 曲线数据集。 `sklearn.datasets`
`make_sparse_coded_signal`	生成一个作为字典元素的稀疏组合的信号。 `sklearn.datasets`
`make_sparse_spd_matrix`	生成一个稀疏对称正定矩阵。 `sklearn.datasets`
`make_sparse_uncorrelated`	生成一个具有稀疏不相关设计的随机回归问题。 `sklearn.datasets`
`make_spd_matrix`	生成一个随机的对称正定矩阵。 `sklearn.datasets`
`make_swiss_roll`	生成一个瑞士卷数据集。 `sklearn.datasets`
`DictionaryLearning`	字典学习。 `sklearn.decomposition`
`FactorAnalysis`	因子分析 (FA)。 `sklearn.decomposition`
`FastICA`	FastICA：一种用于独立成分分析的快速算法。 `sklearn.decomposition`
`IncrementalPCA`	增量主成分分析 (IPCA)。 `sklearn.decomposition`
`KernelPCA`	核主成分分析 (KPCA)。 `sklearn.decomposition`
`LatentDirichletAllocation`	具有在线变分贝叶斯算法的潜在狄利克雷分配。 `sklearn.decomposition`
`MiniBatchDictionaryLearning`	小批量字典学习。 `sklearn.decomposition`
`MiniBatchNMF`	小批量非负矩阵分解 (NMF)。 `sklearn.decomposition`
`MiniBatchSparsePCA`	小批量稀疏主成分分析。 `sklearn.decomposition`
`NMF`	非负矩阵分解 (NMF)。 `sklearn.decomposition`
`PCA`	主成分分析 (PCA)。 `sklearn.decomposition`
`SparseCoder`	稀疏编码。 `sklearn.decomposition`
`SparsePCA`	稀疏主成分分析 (SparsePCA)。 `sklearn.decomposition`
`TruncatedSVD`	使用截断 SVD（又名 LSA）进行降维。 `sklearn.decomposition`
`dict_learning`	求解字典学习矩阵分解问题。 `sklearn.decomposition`
`dict_learning_online`	在线求解字典学习矩阵分解问题。 `sklearn.decomposition`
`fastica`	执行快速独立成分分析。 `sklearn.decomposition`
`non_negative_factorization`	计算非负矩阵分解 (NMF)。 `sklearn.decomposition`
`sparse_encode`	稀疏编码。 `sklearn.decomposition`
`LinearDiscriminantAnalysis`	线性判别分析。 `sklearn.discriminant_analysis`
`QuadraticDiscriminantAnalysis`	二次判别分析。 `sklearn.discriminant_analysis`
`DummyClassifier`	DummyClassifier 做出忽略输入特征的预测。 `sklearn.dummy`
`DummyRegressor`	使用简单规则进行预测的回归器。 `sklearn.dummy`
`AdaBoostClassifier`	AdaBoost 分类器。 `sklearn.ensemble`
`AdaBoostRegressor`	AdaBoost 回归器。 `sklearn.ensemble`
`BaggingClassifier`	Bagging 分类器。 `sklearn.ensemble`
`BaggingRegressor`	Bagging 回归器。 `sklearn.ensemble`
`ExtraTreesClassifier`	Extra-trees 分类器。 `sklearn.ensemble`
`ExtraTreesRegressor`	Extra-trees 回归器。 `sklearn.ensemble`
`GradientBoostingClassifier`	用于分类的梯度提升。 `sklearn.ensemble`
`GradientBoostingRegressor`	用于回归的梯度提升。 `sklearn.ensemble`
`HistGradientBoostingClassifier`	基于直方图的梯度提升分类树。 `sklearn.ensemble`
`HistGradientBoostingRegressor`	基于直方图的梯度提升回归树。 `sklearn.ensemble`
`IsolationForest`	隔离森林算法。 `sklearn.ensemble`
`RandomForestClassifier`	随机森林分类器。 `sklearn.ensemble`
`RandomForestRegressor`	随机森林回归器。 `sklearn.ensemble`
`RandomTreesEmbedding`	完全随机树的集合。 `sklearn.ensemble`
`StackingClassifier`	具有最终分类器的估计器堆栈。 `sklearn.ensemble`
`StackingRegressor`	具有最终回归器的估计器堆栈。 `sklearn.ensemble`
`VotingClassifier`	用于未拟合估计器的软投票/多数规则分类器。 `sklearn.ensemble`
`VotingRegressor`	用于未拟合估计器的预测投票回归器。 `sklearn.ensemble`
`ConvergenceWarning`	自定义警告，用于捕获收敛问题。 `sklearn.exceptions`
`DataConversionWarning`	用于通知代码中发生的隐式数据转换的警告。 `sklearn.exceptions`
`DataDimensionalityWarning`	自定义警告，用于通知数据维度方面的潜在问题。 `sklearn.exceptions`
`EfficiencyWarning`	用于通知用户计算效率低下的警告。 `sklearn.exceptions`
`FitFailedWarning`	如果拟合估计器时发生错误，则使用的警告类。 `sklearn.exceptions`
`InconsistentVersionWarning`	当使用不一致版本的估计器进行反序列化时引发的警告。 `sklearn.exceptions`
`NotFittedError`	如果在拟合之前使用估计器，则引发的异常类。 `sklearn.exceptions`
`UndefinedMetricWarning`	指标无效时使用的警告。 `sklearn.exceptions`
`EstimatorCheckFailedWarning`	当来自通用测试的估计器检查失败时引发的警告。 `sklearn.exceptions`
`enable_halving_search_cv`	启用连续减半搜索估计器。 `sklearn.experimental`
`enable_iterative_imputer`	启用 IterativeImputer。 `sklearn.experimental`
`DictVectorizer`	将特征值映射列表转换为向量。 `sklearn.feature_extraction`
`FeatureHasher`	实现特征哈希，又称哈希技巧。 `sklearn.feature_extraction`
`PatchExtractor`	从图像集合中提取补丁。 `sklearn.feature_extraction.image`
`extract_patches_2d`	将 2D 图像重塑为补丁集合。 `sklearn.feature_extraction.image`
`grid_to_graph`	像素到像素连接的图。 `sklearn.feature_extraction.image`
`img_to_graph`	像素到像素梯度连接的图。 `sklearn.feature_extraction.image`
`reconstruct_from_patches_2d`	根据所有补丁重建图像。 `sklearn.feature_extraction.image`
`CountVectorizer`	将文本文档集合转换为标记计数矩阵。 `sklearn.feature_extraction.text`
`HashingVectorizer`	将文本文档集合转换为标记出现次数矩阵。 `sklearn.feature_extraction.text`
`TfidfTransformer`	将计数矩阵转换为标准化的tf或tf-idf表示。 `sklearn.feature_extraction.text`
`TfidfVectorizer`	将原始文档集合转换为TF-IDF特征矩阵。 `sklearn.feature_extraction.text`
`GenericUnivariateSelect`	具有可配置策略的单变量特征选择器。 `sklearn.feature_selection`
`RFE`	使用递归特征消除进行特征排序。 `sklearn.feature_selection`
`RFECV`	使用交叉验证的递归特征消除来选择特征。 `sklearn.feature_selection`
`SelectFdr`	过滤器：选择估计的错误发现率的p值。 `sklearn.feature_selection`
`SelectFpr`	过滤器：根据FPR检验选择低于alpha的p值。 `sklearn.feature_selection`
`SelectFromModel`	基于重要性权重选择特征的元转换器。 `sklearn.feature_selection`
`SelectFwe`	过滤器：选择与家庭错误率相对应的p值。 `sklearn.feature_selection`
`SelectKBest`	根据k个最高分选择特征。 `sklearn.feature_selection`
`SelectPercentile`	根据最高分数的百分位数选择特征。 `sklearn.feature_selection`
`SelectorMixin`	执行给定支持掩码的特征选择的转换器混合。 `sklearn.feature_selection`
`SequentialFeatureSelector`	执行顺序特征选择的转换器。 `sklearn.feature_selection`
`VarianceThreshold`	去除所有低方差特征的特征选择器。 `sklearn.feature_selection`
`chi2`	计算每个非负特征和类别之间的卡方统计量。 `sklearn.feature_selection`
`f_classif`	计算提供的样本的ANOVA F值。 `sklearn.feature_selection`
`f_regression`	返回F统计量和p值的单变量线性回归检验。 `sklearn.feature_selection`
`mutual_info_classif`	估计离散目标变量的互信息。 `sklearn.feature_selection`
`mutual_info_regression`	估计连续目标变量的互信息。 `sklearn.feature_selection`
`r_regression`	计算每个特征与目标之间的皮尔逊相关系数r。 `sklearn.feature_selection`
`FrozenEstimator`	包装已拟合估计器的估计器，以防止重新拟合。 `sklearn.frozen`
`GaussianProcessClassifier`	基于拉普拉斯逼近的高斯过程分类 (GPC)。 `sklearn.gaussian_process`
`GaussianProcessRegressor`	高斯过程回归 (GPR)。 `sklearn.gaussian_process`
`CompoundKernel`	由一组其他核组成的核。 `sklearn.gaussian_process.kernels`
`ConstantKernel`	常数核。 `sklearn.gaussian_process.kernels`
`DotProduct`	点积核。 `sklearn.gaussian_process.kernels`
`ExpSineSquared`	指数正弦平方核（又名周期核）。 `sklearn.gaussian_process.kernels`
`Exponentiation`	指数核采用一个基核和一个标量参数。 `sklearn.gaussian_process.kernels`
`Hyperparameter`	以命名元组形式指定的核超参数。 `sklearn.gaussian_process.kernels`
`Kernel`	所有核的基类。 `sklearn.gaussian_process.kernels`
`Matern`	马特恩核。 `sklearn.gaussian_process.kernels`
`PairwiseKernel`	sklearn.metrics.pairwise中核的包装器。 `sklearn.gaussian_process.kernels`
`Product`	`Product` 核采用两个核 \(k_1\) 和 \(k_2\) `sklearn.gaussian_process.kernels`
`RBF`	径向基函数核（又名平方指数核）。 `sklearn.gaussian_process.kernels`
`RationalQuadratic`	有理二次核。 `sklearn.gaussian_process.kernels`
`Sum`	`Sum` 核采用两个核 \(k_1\) 和 \(k_2\) `sklearn.gaussian_process.kernels`
`WhiteKernel`	白核。 `sklearn.gaussian_process.kernels`
`IterativeImputer`	多变量填补器，根据所有其他特征估计每个特征。 `sklearn.impute`
`KNNImputer`	使用k近邻完成缺失值的填补。 `sklearn.impute`
`MissingIndicator`	缺失值的二元指示符。 `sklearn.impute`
`SimpleImputer`	使用简单策略完成缺失值的单变量填补器。 `sklearn.impute`
`partial_dependence`	`features` 的局部依赖性。 `sklearn.inspection`
`permutation_importance`	用于特征评估的排列重要性 [Rd9e56ef97513-BRE]。 `sklearn.inspection`
`DecisionBoundaryDisplay`	决策边界可视化。 `sklearn.inspection`
`PartialDependenceDisplay`	局部依赖图 (PDP)。 `sklearn.inspection`
`IsotonicRegression`	等距回归模型。 `sklearn.isotonic`
`check_increasing`	确定y是否与x单调相关。 `sklearn.isotonic`
`isotonic_regression`	求解等距回归模型。 `sklearn.isotonic`
`AdditiveChi2Sampler`	加性chi2核的近似特征映射。 `sklearn.kernel_approximation`
`Nystroem`	使用训练数据的子集近似核映射。 `sklearn.kernel_approximation`
`PolynomialCountSketch`	通过张量草图进行多项式核逼近。 `sklearn.kernel_approximation`
`RBFSampler`	使用随机傅里叶特征逼近RBF核特征映射。 `sklearn.kernel_approximation`
`SkewedChi2Sampler`	“偏斜卡方”核的近似特征映射。 `sklearn.kernel_approximation`
`KernelRidge`	核岭回归。 `sklearn.kernel_ridge`
`LogisticRegression`	逻辑回归（又名logit，MaxEnt）分类器。 `sklearn.linear_model`
`LogisticRegressionCV`	逻辑回归CV（又名logit，MaxEnt）分类器。 `sklearn.linear_model`
`PassiveAggressiveClassifier`	被动攻击分类器。 `sklearn.linear_model`
`Perceptron`	线性感知器分类器。 `sklearn.linear_model`
`RidgeClassifier`	使用岭回归的分类器。 `sklearn.linear_model`
`RidgeClassifierCV`	具有内置交叉验证的岭分类器。 `sklearn.linear_model`
`SGDClassifier`	使用SGD训练的线性分类器（SVM、逻辑回归等）。 `sklearn.linear_model`
`SGDOneClassSVM`	使用随机梯度下降求解线性一类SVM。 `sklearn.linear_model`
`LinearRegression`	普通最小二乘线性回归。 `sklearn.linear_model`
`Ridge`	具有l2正则化的线性最小二乘法。 `sklearn.linear_model`
`RidgeCV`	具有内置交叉验证的岭回归。 `sklearn.linear_model`
`SGDRegressor`	通过使用SGD最小化正则化经验损失来拟合的线性模型。 `sklearn.linear_model`
`ElasticNet`	具有组合L1和L2先验作为正则化器的线性回归。 `sklearn.linear_model`
`ElasticNetCV`	沿正则化路径进行迭代拟合的弹性网络模型。 `sklearn.linear_model`
`Lars`	最小角回归模型，又名LAR。 `sklearn.linear_model`
`LarsCV`	交叉验证的最小角回归模型。 `sklearn.linear_model`
`Lasso`	使用L1先验作为正则化器的线性模型（又名Lasso）。 `sklearn.linear_model`
`LassoCV`	沿正则化路径进行迭代拟合的Lasso线性模型。 `sklearn.linear_model`
`LassoLars`	使用最小角回归（又名Lars）拟合的Lasso模型。 `sklearn.linear_model`
`LassoLarsCV`	使用LARS算法进行交叉验证的Lasso。 `sklearn.linear_model`
`LassoLarsIC`	使用BIC或AIC进行模型选择的Lars拟合的Lasso模型。 `sklearn.linear_model`
`OrthogonalMatchingPursuit`	正交匹配追踪模型 (OMP)。 `sklearn.linear_model`
`OrthogonalMatchingPursuitCV`	交叉验证的正交匹配追踪模型 (OMP)。 `sklearn.linear_model`
`ARDRegression`	贝叶斯ARD回归。 `sklearn.linear_model`
`BayesianRidge`	贝叶斯岭回归。 `sklearn.linear_model`
`MultiTaskElasticNet`	使用L1/L2混合范数作为正则化器的多任务ElasticNet模型。 `sklearn.linear_model`
`MultiTaskElasticNetCV`	具有内置交叉验证的多任务L1/L2 ElasticNet。 `sklearn.linear_model`
`MultiTaskLasso`	使用L1/L2混合范数作为正则化器的多任务Lasso模型。 `sklearn.linear_model`
`MultiTaskLassoCV`	使用L1/L2混合范数作为正则化器的多任务Lasso模型。 `sklearn.linear_model`
`HuberRegressor`	对异常值具有鲁棒性的L2正则化线性回归模型。 `sklearn.linear_model`
`QuantileRegressor`	预测条件分位数的线性回归模型。 `sklearn.linear_model`
`RANSACRegressor`	RANSAC（RANdom SAmple Consensus）算法。 `sklearn.linear_model`
`TheilSenRegressor`	Theil-Sen估计器：鲁棒的多元回归模型。 `sklearn.linear_model`
`GammaRegressor`	具有Gamma分布的广义线性模型。 `sklearn.linear_model`
`PoissonRegressor`	具有泊松分布的广义线性模型。 `sklearn.linear_model`
`TweedieRegressor`	具有Tweedie分布的广义线性模型。 `sklearn.linear_model`
`PassiveAggressiveRegressor`	被动攻击回归器。 `sklearn.linear_model`
`enet_path`	使用坐标下降计算弹性网络路径。 `sklearn.linear_model`
`lars_path`	使用LARS算法计算最小角回归或Lasso路径。 `sklearn.linear_model`
`lars_path_gram`	充分统计模式下的lars_path。 `sklearn.linear_model`
`lasso_path`	使用坐标下降计算Lasso路径。 `sklearn.linear_model`
`orthogonal_mp`	正交匹配追踪 (OMP)。 `sklearn.linear_model`
`orthogonal_mp_gram`	Gram正交匹配追踪 (OMP)。 `sklearn.linear_model`
`ridge_regression`	用正规方程法求解岭方程。 `sklearn.linear_model`
`Isomap`	Isomap嵌入。 `sklearn.manifold`
`LocallyLinearEmbedding`	局部线性嵌入。 `sklearn.manifold`
`MDS`	多维缩放。 `sklearn.manifold`
`SpectralEmbedding`	用于非线性降维的光谱嵌入。 `sklearn.manifold`
`TSNE`	t分布随机邻域嵌入。 `sklearn.manifold`
`locally_linear_embedding`	对数据执行局部线性嵌入分析。 `sklearn.manifold`
`smacof`	使用SMACOF算法计算多维缩放。 `sklearn.manifold`
`spectral_embedding`	将样本投影到图拉普拉斯算子的前几个特征向量上。 `sklearn.manifold`
`trustworthiness`	指示局部结构保留的程度。 `sklearn.manifold`
`check_scoring`	根据用户选项确定评分器。 `sklearn.metrics`
`get_scorer`	从字符串获取评分器。 `sklearn.metrics`
`get_scorer_names`	获取所有可用评分器的名称。 `sklearn.metrics`
`make_scorer`	从性能指标或损失函数创建评分器。 `sklearn.metrics`
`accuracy_score`	准确性分类得分。 `sklearn.metrics`
`auc`	使用梯形法则计算曲线下面积 (AUC)。 `sklearn.metrics`
`average_precision_score`	根据预测分数计算平均精度 (AP)。 `sklearn.metrics`
`balanced_accuracy_score`	计算平衡准确率。 `sklearn.metrics`
`brier_score_loss`	计算Brier分数损失。 `sklearn.metrics`
`class_likelihood_ratios`	计算二元分类的正负似然比。 `sklearn.metrics`
`classification_report`	构建显示主要分类指标的文本报告。 `sklearn.metrics`
`cohen_kappa_score`	计算Cohen的kappa：衡量注释者间一致性的统计量。 `sklearn.metrics`
`confusion_matrix`	计算混淆矩阵以评估分类的准确性。 `sklearn.metrics`
`d2_log_loss_score`	\(D^2\) 分数函数，解释的日志损失分数。 `sklearn.metrics`
`dcg_score`	计算折算累积增益。 `sklearn.metrics`
`det_curve`	计算不同概率阈值的错误率。 `sklearn.metrics`
`f1_score`	计算F1分数，也称为平衡F分数或F度量。 `sklearn.metrics`
`fbeta_score`	计算F-beta分数。 `sklearn.metrics`
`hamming_loss`	计算平均汉明损失。 `sklearn.metrics`
`hinge_loss`	平均铰链损失（非正则化）。 `sklearn.metrics`
`jaccard_score`	Jaccard相似系数得分。 `sklearn.metrics`
`log_loss`	对数损失，又名逻辑损失或交叉熵损失。 `sklearn.metrics`
`matthews_corrcoef`	计算马修斯相关系数 (MCC)。 `sklearn.metrics`
`multilabel_confusion_matrix`	为每个类别或样本计算混淆矩阵。 `sklearn.metrics`
`ndcg_score`	计算归一化折损累积增益 (NDCG)。 `sklearn.metrics`
`precision_recall_curve`	计算不同概率阈值的精确率-召回率对。 `sklearn.metrics`
`precision_recall_fscore_support`	计算每个类别的精确率、召回率、F 值和支持度。 `sklearn.metrics`
`precision_score`	计算精确率。 `sklearn.metrics`
`recall_score`	计算召回率。 `sklearn.metrics`
`roc_auc_score`	根据预测分数计算受试者工作特征曲线下面积 (ROC AUC)。 `sklearn.metrics`
`roc_curve`	计算受试者工作特征曲线 (ROC)。 `sklearn.metrics`
`top_k_accuracy_score`	Top-k 准确率分类评分。 `sklearn.metrics`
`zero_one_loss`	零一分类损失。 `sklearn.metrics`
`d2_absolute_error_score`	\(D^2\) 回归评分函数，解释的绝对误差分数。 `sklearn.metrics`
`d2_pinball_score`	\(D^2\) 回归评分函数，解释的Pinball损失分数。 `sklearn.metrics`
`d2_tweedie_score`	\(D^2\) 回归评分函数，解释的Tweedie偏差分数。 `sklearn.metrics`
`explained_variance_score`	解释方差回归评分函数。 `sklearn.metrics`
`max_error`	max_error 指标计算最大残差误差。 `sklearn.metrics`
`mean_absolute_error`	平均绝对误差回归损失。 `sklearn.metrics`
`mean_absolute_percentage_error`	平均绝对百分比误差 (MAPE) 回归损失。 `sklearn.metrics`
`mean_gamma_deviance`	平均 Gamma 偏差回归损失。 `sklearn.metrics`
`mean_pinball_loss`	分位数回归的 Pinball 损失。 `sklearn.metrics`
`mean_poisson_deviance`	平均泊松偏差回归损失。 `sklearn.metrics`
`mean_squared_error`	均方误差回归损失。 `sklearn.metrics`
`mean_squared_log_error`	均方对数误差回归损失。 `sklearn.metrics`
`mean_tweedie_deviance`	平均 Tweedie 偏差回归损失。 `sklearn.metrics`
`median_absolute_error`	中位数绝对误差回归损失。 `sklearn.metrics`
`r2_score`	\(R^2\)（决定系数）回归评分函数。 `sklearn.metrics`
`root_mean_squared_error`	均方根误差回归损失。 `sklearn.metrics`
`root_mean_squared_log_error`	均方根对数误差回归损失。 `sklearn.metrics`
`coverage_error`	覆盖率误差度量。 `sklearn.metrics`
`label_ranking_average_precision_score`	计算基于排名的平均精度。 `sklearn.metrics`
`label_ranking_loss`	计算排名损失度量。 `sklearn.metrics`
`adjusted_mutual_info_score`	两个聚类之间的调整互信息。 `sklearn.metrics`
`adjusted_rand_score`	经机会校正的 Rand 指数。 `sklearn.metrics`
`calinski_harabasz_score`	计算 Calinski-Harabasz 评分。 `sklearn.metrics`
`contingency_matrix`	构建一个描述标签之间关系的列联表。 `sklearn.metrics.cluster`
`pair_confusion_matrix`	由两个聚类产生的配对混淆矩阵。 `sklearn.metrics.cluster`
`completeness_score`	计算给定真实标签的聚类标签的完整性指标。 `sklearn.metrics`
`戴维森-布尔丁指数 (davies_bouldin_score)`	计算 Davies-Bouldin 评分。 `sklearn.metrics`
`福克斯-马洛斯指数 (fowlkes_mallows_score)`	衡量点集的两个聚类的相似性。 `sklearn.metrics`
`同质性、完整性和V量度 (homogeneity_completeness_v_measure)`	同时计算同质性、完整性和 V-Measure 评分。 `sklearn.metrics`
`同质性得分 (homogeneity_score)`	给定真实标签的聚类标签的同质性指标。 `sklearn.metrics`
`互信息得分 (mutual_info_score)`	两个聚类之间的互信息。 `sklearn.metrics`
`归一化互信息得分 (normalized_mutual_info_score)`	两个聚类之间的归一化互信息。 `sklearn.metrics`
`兰德指数 (rand_score)`	Rand 指数。 `sklearn.metrics`
`轮廓样本 (silhouette_samples)`	计算每个样本的轮廓系数。 `sklearn.metrics`
`轮廓系数 (silhouette_score)`	计算所有样本的平均轮廓系数。 `sklearn.metrics`
`V量度得分 (v_measure_score)`	给定真实标签的 V-Measure 聚类标签。 `sklearn.metrics`
`一致性得分 (consensus_score)`	两组双聚类的相似性。 `sklearn.metrics`
`距离度量 (DistanceMetric)`	快速距离度量函数的统一接口。 `sklearn.metrics`
`加性卡方核 (additive_chi2_kernel)`	计算 X 和 Y 中观测值之间的加性卡方核。 `sklearn.metrics.pairwise`
`卡方核 (chi2_kernel)`	计算 X 和 Y 之间的指数卡方核。 `sklearn.metrics.pairwise`
`余弦距离 (cosine_distances)`	计算 X 和 Y 中样本之间的余弦距离。 `sklearn.metrics.pairwise`
`余弦相似度 (cosine_similarity)`	计算 X 和 Y 中样本之间的余弦相似度。 `sklearn.metrics.pairwise`
`距离度量 (distance_metrics)`	pairwise_distances 的有效指标。 `sklearn.metrics.pairwise`
`欧几里得距离 (euclidean_distances)`	计算向量数组 X 和 Y 中每一对之间的距离矩阵。 `sklearn.metrics.pairwise`
`海弗森距离 (haversine_distances)`	计算 X 和 Y 中样本之间的 Haversine 距离。 `sklearn.metrics.pairwise`
`核度量 (kernel_metrics)`	pairwise_kernels 的有效指标。 `sklearn.metrics.pairwise`
`拉普拉斯核 (laplacian_kernel)`	计算 X 和 Y 之间的拉普拉斯核。 `sklearn.metrics.pairwise`
`线性核 (linear_kernel)`	计算 X 和 Y 之间的线性核。 `sklearn.metrics.pairwise`
`曼哈顿距离 (manhattan_distances)`	计算 X 和 Y 中向量之间的 L1 距离。 `sklearn.metrics.pairwise`
`NaN欧几里得距离 (nan_euclidean_distances)`	在存在缺失值的情况下计算欧几里得距离。 `sklearn.metrics.pairwise`
`成对余弦距离 (paired_cosine_distances)`	计算 X 和 Y 之间的成对余弦距离。 `sklearn.metrics.pairwise`
`成对距离 (paired_distances)`	计算 X 和 Y 之间的成对距离。 `sklearn.metrics.pairwise`
`成对欧几里得距离 (paired_euclidean_distances)`	计算 X 和 Y 之间的成对欧几里得距离。 `sklearn.metrics.pairwise`
`成对曼哈顿距离 (paired_manhattan_distances)`	计算 X 和 Y 之间的成对 L1 距离。 `sklearn.metrics.pairwise`
`成对核 (pairwise_kernels)`	计算数组 X 和可选数组 Y 之间的核。 `sklearn.metrics.pairwise`
`多项式核 (polynomial_kernel)`	计算 X 和 Y 之间的多项式核。 `sklearn.metrics.pairwise`
`径向基函数核 (rbf_kernel)`	计算 X 和 Y 之间的 RBF（高斯）核。 `sklearn.metrics.pairwise`
`S型核 (sigmoid_kernel)`	计算 X 和 Y 之间的 sigmoid 核。 `sklearn.metrics.pairwise`
`成对距离 (pairwise_distances)`	根据向量数组 X 和可选的 Y 计算距离矩阵。 `sklearn.metrics`
`成对距离最小值索引 (pairwise_distances_argmin)`	计算一个点和一组点之间的最小距离。 `sklearn.metrics`
`成对距离最小值索引和最小值 (pairwise_distances_argmin_min)`	计算一个点和一组点之间的最小距离。 `sklearn.metrics`
`分块成对距离 (pairwise_distances_chunked)`	分块生成距离矩阵，并可选地进行约简。 `sklearn.metrics`
`混淆矩阵显示 (ConfusionMatrixDisplay)`	混淆矩阵可视化。 `sklearn.metrics`
`检测曲线显示 (DetCurveDisplay)`	DET 曲线可视化。 `sklearn.metrics`
`精确率召回率曲线显示 (PrecisionRecallDisplay)`	精确率-召回率可视化。 `sklearn.metrics`
`预测误差显示 (PredictionErrorDisplay)`	回归模型预测误差的可视化。 `sklearn.metrics`
`ROC曲线显示 (RocCurveDisplay)`	ROC 曲线可视化。 `sklearn.metrics`
`贝叶斯高斯混合模型 (BayesianGaussianMixture)`	高斯混合的变分贝叶斯估计。 `sklearn.mixture 模块`
`高斯混合模型 (GaussianMixture)`	高斯混合。 `sklearn.mixture 模块`
`分组K折交叉验证 (GroupKFold)`	具有非重叠组的 K 折迭代器变体。 `sklearn.model_selection 模块`
`分组随机划分 (GroupShuffleSplit)`	Shuffle-Group(s)-Out 交叉验证迭代器。 `sklearn.model_selection 模块`
`K折交叉验证 (KFold)`	K 折交叉验证器。 `sklearn.model_selection 模块`
`留一组交叉验证 (LeaveOneGroupOut)`	留一组出交叉验证器。 `sklearn.model_selection 模块`
`留一交叉验证 (LeaveOneOut)`	留一法交叉验证器。 `sklearn.model_selection 模块`
`留P组交叉验证 (LeavePGroupsOut)`	留 P 组出交叉验证器。 `sklearn.model_selection 模块`
`留P交叉验证 (LeavePOut)`	留 P 法交叉验证器。 `sklearn.model_selection 模块`
`预定义划分 (PredefinedSplit)`	预定义分割交叉验证器。 `sklearn.model_selection 模块`
`重复K折交叉验证 (RepeatedKFold)`	重复 K 折交叉验证器。 `sklearn.model_selection 模块`
`重复分层K折交叉验证 (RepeatedStratifiedKFold)`	重复分层 K 折交叉验证器。 `sklearn.model_selection 模块`
`随机划分 (ShuffleSplit)`	随机排列交叉验证器。 `sklearn.model_selection 模块`
`分层分组K折交叉验证 (StratifiedGroupKFold)`	具有非重叠组的分层 K 折迭代器变体。 `sklearn.model_selection 模块`
`分层K折交叉验证 (StratifiedKFold)`	分层 K 折交叉验证器。 `sklearn.model_selection 模块`
`分层随机划分 (StratifiedShuffleSplit)`	分层 ShuffleSplit 交叉验证器。 `sklearn.model_selection 模块`
`时间序列划分 (TimeSeriesSplit)`	时间序列交叉验证器。 `sklearn.model_selection 模块`
`交叉验证检查 (check_cv)`	用于构建交叉验证器的输入检查器实用程序。 `sklearn.model_selection 模块`
`训练测试划分 (train_test_split)`	将数组或矩阵分割成随机的训练和测试子集。 `sklearn.model_selection 模块`
`网格搜索交叉验证 (GridSearchCV)`	对估计器的指定参数值进行穷举搜索。 `sklearn.model_selection 模块`
`逐步网格搜索交叉验证 (HalvingGridSearchCV)`	使用连续减半搜索指定的参数值。 `sklearn.model_selection 模块`
`逐步随机搜索交叉验证 (HalvingRandomSearchCV)`	超参数的随机搜索。 `sklearn.model_selection 模块`
`参数网格 (ParameterGrid)`	参数网格，每个参数具有离散数量的值。 `sklearn.model_selection 模块`
`参数采样器 (ParameterSampler)`	从给定分布中采样参数的生成器。 `sklearn.model_selection 模块`
`随机搜索交叉验证 (RandomizedSearchCV)`	超参数的随机搜索。 `sklearn.model_selection 模块`
`固定阈值分类器 (FixedThresholdClassifier)`	手动设置决策阈值的二元分类器。 `sklearn.model_selection 模块`
`调整阈值交叉验证分类器 (TunedThresholdClassifierCV)`	使用交叉验证对决策阈值进行后调优的分类器。 `sklearn.model_selection 模块`
`交叉验证预测 (cross_val_predict)`	为每个输入数据点生成交叉验证估计。 `sklearn.model_selection 模块`
`交叉验证得分 (cross_val_score)`	通过交叉验证评估分数。 `sklearn.model_selection 模块`
`交叉验证 (cross_validate)`	通过交叉验证评估指标，并记录拟合/评分时间。 `sklearn.model_selection 模块`
`学习曲线 (learning_curve)`	学习曲线。 `sklearn.model_selection 模块`
`置换检验得分 (permutation_test_score)`	使用排列评估交叉验证分数的显著性。 `sklearn.model_selection 模块`
`验证曲线 (validation_curve)`	验证曲线。 `sklearn.model_selection 模块`
`学习曲线显示 (LearningCurveDisplay)`	学习曲线可视化。 `sklearn.model_selection 模块`
`验证曲线显示 (ValidationCurveDisplay)`	验证曲线可视化。 `sklearn.model_selection 模块`
`一对一分类器 (OneVsOneClassifier)`	一对一多类策略。 `sklearn.multiclass 模块`
`一对多分类器 (OneVsRestClassifier)`	一对其余 (OvR) 多类策略。 `sklearn.multiclass 模块`
`输出码分类器 (OutputCodeClassifier)`	(纠错) 输出码多类策略。 `sklearn.multiclass 模块`
`分类器链 (ClassifierChain)`	将二元分类器排列成链的多标签模型。 `sklearn.multioutput 模块`
`多输出分类器 (MultiOutputClassifier)`	多目标分类。 `sklearn.multioutput 模块`
`多输出回归器 (MultiOutputRegressor)`	多目标回归。 `sklearn.multioutput 模块`
`回归器链 (RegressorChain)`	将回归排列成链的多标签模型。 `sklearn.multioutput 模块`
`伯努利朴素贝叶斯 (BernoulliNB)`	用于多元伯努利模型的朴素贝叶斯分类器。 `sklearn.naive_bayes 模块`
`类别朴素贝叶斯 (CategoricalNB)`	用于分类特征的朴素贝叶斯分类器。 `sklearn.naive_bayes 模块`
`补集朴素贝叶斯 (ComplementNB)`	Rennie 等人 (2003) 描述的补充朴素贝叶斯分类器。 `sklearn.naive_bayes 模块`
`高斯朴素贝叶斯 (GaussianNB)`	高斯朴素贝叶斯 (GaussianNB)。 `sklearn.naive_bayes 模块`
`多项式朴素贝叶斯 (MultinomialNB)`	用于多项式模型的朴素贝叶斯分类器。 `sklearn.naive_bayes 模块`
`球树 (BallTree)`	用于快速广义 N 点问题的 BallTree。 `sklearn.neighbors 模块`
`KD树 (KDTree)`	用于快速广义 N 点问题的 KDTree。 `sklearn.neighbors 模块`
`K近邻分类器 (KNeighborsClassifier)`	实现 k 近邻投票的分类器。 `sklearn.neighbors 模块`
`K近邻回归器 (KNeighborsRegressor)`	基于 k 近邻的回归。 `sklearn.neighbors 模块`
`K近邻变换器 (KNeighborsTransformer)`	将 X 转换为 k 近邻的（加权）图。 `sklearn.neighbors 模块`
`核密度估计 (KernelDensity)`	核密度估计。 `sklearn.neighbors 模块`
`局部异常因子 (LocalOutlierFactor)`	使用局部异常因子 (LOF) 进行无监督异常检测。 `sklearn.neighbors 模块`
`最近质心 (NearestCentroid)`	最近质心分类器。 `sklearn.neighbors 模块`
`最近邻 (NearestNeighbors)`	用于实现邻域搜索的无监督学习器。 `sklearn.neighbors 模块`
`邻域成分分析 (NeighborhoodComponentsAnalysis)`	邻域成分分析。 `sklearn.neighbors 模块`
`半径近邻分类器 (RadiusNeighborsClassifier)`	实现给定半径内邻域投票的分类器。 `sklearn.neighbors 模块`
`半径近邻回归器 (RadiusNeighborsRegressor)`	基于固定半径内邻域的回归。 `sklearn.neighbors 模块`
`半径近邻变换器 (RadiusNeighborsTransformer)`	将 X 转换为半径内邻域的（加权）图。 `sklearn.neighbors 模块`
`K近邻图 (kneighbors_graph)`	计算 X 中点的 k 近邻的（加权）图。 `sklearn.neighbors 模块`
`半径近邻图 (radius_neighbors_graph)`	计算 X 中点的邻域的（加权）图。 `sklearn.neighbors 模块`
`按行值排序图 (sort_graph_by_row_values)`	对稀疏图进行排序，以便每一行都按递增值存储。 `sklearn.neighbors 模块`
`伯努利受限玻尔兹曼机 (BernoulliRBM)`	伯努利受限玻尔兹曼机 (RBM)。 `sklearn.neural_network 模块`
`多层感知器分类器 (MLPClassifier)`	多层感知器分类器。 `sklearn.neural_network 模块`
`多层感知器回归器 (MLPRegressor)`	多层感知器回归器。 `sklearn.neural_network 模块`
`特征联合 (FeatureUnion)`	连接多个转换器对象的的结果。 `sklearn.pipeline 模块`
`管道 (Pipeline)`	具有可选最终预测器的多个数据转换器的序列。 `sklearn.pipeline 模块`
`创建管道 (make_pipeline)`	根据给定的估计器构建一个 `Pipeline`。 `sklearn.pipeline 模块`
`创建联合 (make_union)`	根据给定的转换器构建一个 `FeatureUnion`。 `sklearn.pipeline 模块`
`二值化器 (Binarizer)`	根据阈值对数据进行二值化（将特征值设置为 0 或 1）。 `sklearn.preprocessing 模块`
`函数变换器 (FunctionTransformer)`	从任意可调用对象构建一个转换器。 `sklearn.preprocessing 模块`
`KBins离散器 (KBinsDiscretizer)`	将连续数据分成区间。 `sklearn.preprocessing 模块`
`核中心化器 (KernelCenterer)`	居中任意核矩阵\(K\)。 `sklearn.preprocessing 模块`
`标签二值化器 (LabelBinarizer)`	以一对多方式二值化标签。 `sklearn.preprocessing 模块`
`标签编码器 (LabelEncoder)`	使用 0 到 n_classes-1 之间的数值编码目标标签。 `sklearn.preprocessing 模块`
`最大绝对值缩放器 (MaxAbsScaler)`	按其最大绝对值缩放每个特征。 `sklearn.preprocessing 模块`
`最小最大值缩放器 (MinMaxScaler)`	通过将每个特征缩放至给定范围来转换特征。 `sklearn.preprocessing 模块`
`多标签二值化器 (MultiLabelBinarizer)`	在可迭代的可迭代对象和多标签格式之间转换。 `sklearn.preprocessing 模块`
`归一化器 (Normalizer)`	将样本单独规范化为单位范数。 `sklearn.preprocessing 模块`
`独热编码器 (OneHotEncoder)`	将分类特征编码为独热数值数组。 `sklearn.preprocessing 模块`
`序数编码器 (OrdinalEncoder)`	将分类特征编码为整数数组。 `sklearn.preprocessing 模块`
`多项式特征 (PolynomialFeatures)`	生成多项式和交互特征。 `sklearn.preprocessing 模块`
`幂变换器 (PowerTransformer)`	对特征应用幂变换，使数据更符合高斯分布。 `sklearn.preprocessing 模块`
`分位数变换器 (QuantileTransformer)`	使用分位数信息转换特征。 `sklearn.preprocessing 模块`
`稳健缩放器 (RobustScaler)`	使用对异常值稳健的统计数据来缩放特征。 `sklearn.preprocessing 模块`
`样条变换器 (SplineTransformer)`	为特征生成单变量 B 样条基。 `sklearn.preprocessing 模块`
`标准缩放器 (StandardScaler)`	通过移除均值并缩放至单位方差来标准化特征。 `sklearn.preprocessing 模块`
`目标编码器 (TargetEncoder)`	用于回归和分类目标的目标编码器。 `sklearn.preprocessing 模块`
`添加虚拟特征 (add_dummy_feature)`	使用附加的虚拟特征扩充数据集。 `sklearn.preprocessing 模块`
`二值化 (binarize)`	对类数组或 scipy.sparse 矩阵进行布尔阈值处理。 `sklearn.preprocessing 模块`
`标签二值化 (label_binarize)`	以一对多方式二值化标签。 `sklearn.preprocessing 模块`
`最大绝对值缩放 (maxabs_scale)`	将每个特征缩放至 [-1, 1] 范围，而不会破坏稀疏性。 `sklearn.preprocessing 模块`
`最小最大值缩放 (minmax_scale)`	通过将每个特征缩放至给定范围来转换特征。 `sklearn.preprocessing 模块`
`归一化 (normalize)`	将输入向量单独缩放至单位范数（向量长度）。 `sklearn.preprocessing 模块`
`幂变换 (power_transform)`	参数化、单调变换，使数据更符合高斯分布。 `sklearn.preprocessing 模块`
`分位数变换 (quantile_transform)`	使用分位数信息转换特征。 `sklearn.preprocessing 模块`
`稳健缩放 (robust_scale)`	沿任何轴标准化数据集。 `sklearn.preprocessing 模块`
`缩放 (scale)`	沿任何轴标准化数据集。 `sklearn.preprocessing 模块`
`高斯随机投影 (GaussianRandomProjection)`	通过高斯随机投影降低维度。 `sklearn.random_projection 模块`
`稀疏随机投影 (SparseRandomProjection)`	通过稀疏随机投影降低维度。 `sklearn.random_projection 模块`
`约翰逊-林登施特劳斯最小维数 (johnson_lindenstrauss_min_dim)`	找到一个“安全”的随机投影成分数量。 `sklearn.random_projection 模块`
`标签传播 (LabelPropagation)`	标签传播分类器。 `sklearn.semi_supervised 模块`
`标签扩展 (LabelSpreading)`	用于半监督学习的 LabelSpreading 模型。 `sklearn.semi_supervised 模块`
`自训练分类器 (SelfTrainingClassifier)`	自训练分类器。 `sklearn.semi_supervised 模块`
`线性支持向量机分类器 (LinearSVC)`	线性支持向量分类。 `sklearn.svm 模块`
`线性支持向量机回归器 (LinearSVR)`	线性支持向量回归。 `sklearn.svm 模块`
`核支持向量机分类器 (NuSVC)`	Nu 支持向量分类。 `sklearn.svm 模块`
`核支持向量机回归器 (NuSVR)`	Nu 支持向量回归。 `sklearn.svm 模块`
`一类支持向量机 (OneClassSVM)`	无监督异常值检测。 `sklearn.svm 模块`
`支持向量机分类器 (SVC)`	C 支持向量分类。 `sklearn.svm 模块`
`支持向量机回归器 (SVR)`	Epsilon 支持向量回归。 `sklearn.svm 模块`
`L1正则化最小C值 (l1_min_c)`	返回 C 的下界。 `sklearn.svm 模块`
`决策树分类器 (DecisionTreeClassifier)`	决策树分类器。 `sklearn.tree 模块`
`决策树回归器 (DecisionTreeRegressor)`	决策树回归器。 `sklearn.tree 模块`
`额外树分类器 (ExtraTreeClassifier)`	极端随机树分类器。 `sklearn.tree 模块`
`额外树回归器 (ExtraTreeRegressor)`	极端随机树回归器。 `sklearn.tree 模块`
`导出图 (export_graphviz)`	以 DOT 格式导出决策树。 `sklearn.tree 模块`
`导出文本 (export_text)`	构建显示决策树规则的文本报告。 `sklearn.tree 模块`
`绘制树 (plot_tree)`	绘制决策树。 `sklearn.tree 模块`
`数据捆绑包 (Bunch)`	将键作为属性公开的容器对象。 `sklearn.utils 模块`
`安全索引 ( _safe_indexing)`	使用索引返回 X 的行、项目或列。 `sklearn.utils 模块`
`转换为浮点数组 (as_float_array)`	将类数组转换为浮点数数组。 `sklearn.utils 模块`
`断言所有值都是有限的 (assert_all_finite)`	如果 X 包含 NaN 或无穷大，则抛出 ValueError。 `sklearn.utils 模块`
`已弃用 (deprecated)`	修饰器，用于将函数或类标记为已弃用。 `sklearn.utils 模块`
`估计器HTML表示 (estimator_html_repr)`	构建估计器的 HTML 表示。 `sklearn.utils 模块`
`生成批次 (gen_batches)`	生成器，用于创建包含 `batch_size` 个元素的切片，从 0 到 `n`。 `sklearn.utils 模块`
`生成均匀切片 (gen_even_slices)`	生成器，用于创建 `n_packs` 个均匀间隔的切片，直到 `n`。 `sklearn.utils 模块`
`可索引 (indexable)`	使数组可用于交叉验证的索引。 `sklearn.utils 模块`
`MurmurHash3_32 哈希函数 (murmurhash3_32)`	计算密钥在 seed 上的 32 位 murmurhash3。 `sklearn.utils 模块`
`重采样 (resample)`	以一致的方式重新采样数组或稀疏矩阵。 `sklearn.utils 模块`
`安全掩码 (safe_mask)`	返回可在 X 上安全使用的掩码。 `sklearn.utils 模块`
`安全平方 (safe_sqr)`	类数组和稀疏矩阵的逐元素平方。 `sklearn.utils 模块`
`洗牌 (shuffle)`	以一致的方式洗牌数组或稀疏矩阵。 `sklearn.utils 模块`
`标签 (Tags)`	估计器的标签。 `sklearn.utils 模块`
`输入标签 (InputTags)`	输入数据的标签。 `sklearn.utils 模块`
`目标标签 (TargetTags)`	目标数据的标签。 `sklearn.utils 模块`
`分类器标签 (ClassifierTags)`	分类器的标签。 `sklearn.utils 模块`
`回归器标签 (RegressorTags)`	回归器的标签。 `sklearn.utils 模块`
`变换器标签 (TransformerTags)`	转换器的标签。 `sklearn.utils 模块`
`获取标签 (get_tags)`	获取估计器标签。 `sklearn.utils 模块`
`检查X和y (check_X_y)`	标准估计器的输入验证。 `sklearn.utils 模块`
`检查数组 (check_array)`	对数组、列表、稀疏矩阵或类似对象的输入验证。 `sklearn.utils 模块`
`检查长度一致性 (check_consistent_length)`	检查所有数组是否具有一致的第一维。 `sklearn.utils 模块`
`检查随机状态 (check_random_state)`	将 seed 转换为 np.random.RandomState 实例。 `sklearn.utils 模块`
`检查标量 (check_scalar)`	验证标量参数的类型和值。 `sklearn.utils 模块`
`检查是否已拟合 (check_is_fitted)`	对估计器执行 is_fitted 验证。 `sklearn.utils.validation`
`检查内存 (check_memory)`	检查 `memory` 是否类似于 joblib.Memory。 `sklearn.utils.validation`
`检查对称性 (check_symmetric)`	确保数组是二维、正方形且对称的。 `sklearn.utils.validation`
`列或一维数组 (column_or_1d)`	展平列或一维 numpy 数组，否则引发错误。 `sklearn.utils.validation`
`是否有拟合参数 (has_fit_parameter)`	检查估计器的 fit 方法是否支持给定的参数。 `sklearn.utils.validation`
`验证数据 (validate_data)`	验证输入数据并设置或检查输入的特征名称和计数。 `sklearn.utils.validation`
`可用条件 (available_if)`	只有当检查返回真值时才可用的属性。 `sklearn.utils.metaestimators`
`计算类别权重 (compute_class_weight)`	为不平衡数据集估计类权重。 `sklearn.utils.class_weight`
`计算样本权重 (compute_sample_weight)`	按类估计不平衡数据集的样本权重。 `sklearn.utils.class_weight`
`是否为多标签 (is_multilabel)`	检查 `y` 是否为多标签格式。 `sklearn.utils.multiclass`
`目标类型 (type_of_target)`	确定目标指示的数据类型。 `sklearn.utils.multiclass`
`唯一标签 (unique_labels)`	提取有序的唯一标签数组。 `sklearn.utils.multiclass`
`密度 (density)`	计算稀疏向量的密度。 `sklearn.utils.extmath`
`快速对数行列式 (fast_logdet)`	计算方阵行列式的对数。 `sklearn.utils.extmath`
`随机范围查找 (randomized_range_finder)`	计算正交矩阵，其范围近似于 A 的范围。 `sklearn.utils.extmath`
`随机奇异值分解 (randomized_svd)`	计算截断随机 SVD。 `sklearn.utils.extmath`
`安全稀疏点积 (safe_sparse_dot)`	正确处理稀疏矩阵情况的点积。 `sklearn.utils.extmath`
`加权众数 (weighted_mode)`	返回传递数组中加权众数（最常见值）的数组。 `sklearn.utils.extmath`
`增量均值方差轴 (incr_mean_variance_axis)`	沿 CSR 或 CSC 矩阵上的轴计算增量均值和方差。 `sklearn.utils.sparsefuncs`
`就地列缩放 (inplace_column_scale)`	对 CSC/CSR 矩阵进行就地列缩放。 `sklearn.utils.sparsefuncs`
`就地CSR列缩放 (inplace_csr_column_scale)`	对 CSR 矩阵进行就地列缩放。 `sklearn.utils.sparsefuncs`
`就地行缩放 (inplace_row_scale)`	对 CSR 或 CSC 矩阵进行就地行缩放。 `sklearn.utils.sparsefuncs`
`就地交换列 (inplace_swap_column)`	就地交换 CSC/CSR 矩阵的两列。 `sklearn.utils.sparsefuncs`
`就地交换行 (inplace_swap_row)`	就地交换 CSC/CSR 矩阵的两行。 `sklearn.utils.sparsefuncs`
`均值方差轴 (mean_variance_axis)`	沿 CSR 或 CSC 矩阵上的轴计算均值和方差。 `sklearn.utils.sparsefuncs`
`就地CSR行L1归一化 (inplace_csr_row_normalize_l1)`	通过其 L1 范数就地规范化 CSR 矩阵或数组的行。 `sklearn.utils.sparsefuncs_fast`
`就地CSR行L2归一化 (inplace_csr_row_normalize_l2)`	通过其 L2 范数就地规范化 CSR 矩阵或数组的行。 `sklearn.utils.sparsefuncs_fast`
`单源最短路径长度 (single_source_shortest_path_length)`	返回从源到所有可达节点的最短路径的长度。 `sklearn.utils.graph`
`不放回抽样 (sample_without_replacement)`	无放回地采样整数。 `sklearn.utils.random`
`最小正数 (min_pos)`	查找数组在正值上的最小值。 `sklearn.utils.arrayfuncs`
`元数据请求 (MetadataRequest)`	包含消费者的元数据请求信息。 `sklearn.utils.metadata_routing`
`元数据路由器 (MetadataRouter)`	存储和处理路由器对象的元数据路由。 `sklearn.utils.metadata_routing`
`方法映射 (MethodMapping)`	存储路由器的调用者和被调用者方法之间的映射。 `sklearn.utils.metadata_routing`
`获取对象的路由 (get_routing_for_object)`	从给定对象获取 `Metadata{Router, Request}` 实例。 `sklearn.utils.metadata_routing`
`处理路由 (process_routing)`	验证和路由输入参数。 `sklearn.utils.metadata_routing`
`所有显示 (all_displays)`	获取 `sklearn` 中所有显示的列表。 `sklearn.utils.discovery`
`所有估计器 (all_estimators)`	获取 `sklearn` 中所有估计器的列表。 `sklearn.utils.discovery`
`所有函数 (all_functions)`	获取 `sklearn` 中所有函数的列表。 `sklearn.utils.discovery`
`检查估计器 (check_estimator)`	检查估计器是否符合 scikit-learn 约定。 `sklearn.utils.estimator_checks`
`带检查的参数化 (parametrize_with_checks)`	用于参数化估计器检查的 Pytest 特定装饰器。 `sklearn.utils.estimator_checks`
`估计器检查生成器 (estimator_checks_generator)`	迭代地为估计器生成所有检查可调用对象。 `sklearn.utils.estimator_checks`
`并行 (Parallel)`	`joblib.Parallel` 的改进版本，它会传播 scikit-learn 配置。 `sklearn.utils.parallel`
`延迟执行 (delayed)`	用于捕获函数参数的装饰器。 `sklearn.utils.parallel`
`并行后端 (parallel_backend)`	在 with 块内更改 Parallel 使用的默认后端。 `sklearn.utils` 1.7 版本中已弃用
`注册并行后端 (register_parallel_backend)`	注册新的 Parallel 后端工厂。 `sklearn.utils` 1.7 版本中已弃用