API 参考

这是 scikit-learn 的类和函数参考。请参阅完整的用户指南以获取更多详细信息，因为类和函数的原始规范可能不足以提供其使用的完整指导。有关 API 中重复概念的参考，请参阅常用术语和 API 元素术语表。

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	为通过前缀生成自身名称的转换器 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	为简单转换器提供 get_feature_names_out。 sklearn.base
OutlierMixin	scikit-learn 中所有异常值检测估计器的 Mixin 类。 sklearn.base
RegressorMixin	scikit-learn 中所有回归估计器的 Mixin 类。 sklearn.base
TransformerMixin	scikit-learn 中所有转换器的 Mixin 类。 sklearn.base
clone	构造一个新的具有相同参数的未拟合估计器。 sklearn.base
is_classifier	如果给定估计器（可能）是分类器，则返回 True。 sklearn.base
is_clusterer	如果给定估计器（可能）是聚类器，则返回 True。 sklearn.base
is_regressor	如果给定估计器（可能）是回归器，则返回 True。 sklearn.base
is_outlier_detector	如果给定估计器（可能）是异常值检测器，则返回 True。 sklearn.base
CalibratedClassifierCV	使用保序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	层次聚类。 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	使用分层基于密度的聚类对数据进行聚类。 sklearn.cluster
KMeans	K-均值聚类。 sklearn.cluster
MeanShift	使用平坦核的均值漂移聚类。 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	谱协同聚类算法（Dhillon，2001）。 sklearn.cluster
affinity_propagation	执行数据的亲和传播聚类。 sklearn.cluster
cluster_optics_dbscan	对任意 epsilon 执行 DBSCAN 提取。 sklearn.cluster
cluster_optics_xi	根据 Xi-steep 方法自动提取聚类。 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	估计均值漂移算法使用的带宽。 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	使用平坦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	对转换后的目标进行回归的元估计器。 sklearn.compose
make_column_selector	创建一个可调用对象以选择要与...一起使用的列 sklearn.compose
make_column_transformer	从给定转换器构造 ColumnTransformer。 sklearn.compose
EllipticEnvelope	用于检测高斯分布数据集中异常值的对象。 sklearn.covariance
EmpiricalCovariance	最大似然协方差估计器。 sklearn.covariance
GraphicalLasso	使用 L1 惩罚估计器进行稀疏逆协方差估计。 sklearn.covariance
GraphicalLassoCV	带交叉验证的 L1 惩罚稀疏逆协方差。 sklearn.covariance
LedoitWolf	LedoitWolf 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	带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 惩罚协方差估计器。 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	删除数据主目录缓存的所有内容。 sklearn.datasets
dump_svmlight_file	以 svmlight / libsvm 文件格式转储数据集。 sklearn.datasets
fetch_20newsgroups	从 20 newsgroups 数据集加载文件名和数据（分类）。 sklearn.datasets
fetch_20newsgroups_vectorized	加载并向量化 20 newsgroups 数据集（分类）。 sklearn.datasets
fetch_california_housing	加载加州住房数据集（回归）。 sklearn.datasets
fetch_covtype	加载 covtype 数据集（分类）。 sklearn.datasets
fetch_file	如果本地文件夹中不存在文件，则从网络获取文件。 sklearn.datasets
fetch_kddcup99	加载 kddcup99 数据集（分类）。 sklearn.datasets
fetch_lfw_pairs	加载野外标记人脸 (LFW) 配对数据集（分类）。 sklearn.datasets
fetch_lfw_people	加载野外标记人脸 (LFW) 人物数据集（分类）。 sklearn.datasets
fetch_olivetti_faces	从 AT&T 加载 Olivetti 人脸数据集（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	来自 Phillips 等人 (2006) 的物种分布数据集加载器。 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	加载以子文件夹名称作为类别的文本文件。 sklearn.datasets
load_iris	加载并返回鸢尾花数据集（分类）。 sklearn.datasets
load_linnerud	加载并返回 Linnerud 体育锻炼数据集。 sklearn.datasets
load_sample_image	加载单个样本图像的 numpy 数组。 sklearn.datasets
load_sample_images	加载用于图像操作的样本图像。 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	从多个 SVMlight 格式文件加载数据集。 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	生成用于聚类的各向同性高斯斑点。 sklearn.datasets
make_checkerboard	生成具有块棋盘格结构用于双聚类的数组。 sklearn.datasets
make_circles	在二维中创建一个包含较小圆的大圆。 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	生成各向同性高斯并按分位数标记样本。 sklearn.datasets
make_hastie_10_2	生成 Hastie 等人 2009 年，示例 10.2 中使用的二元分类数据。 sklearn.datasets
make_low_rank_matrix	生成一个主要为低秩且具有钟形奇异值的矩阵。 sklearn.datasets
make_moons	制作两个交错的半圆。 sklearn.datasets
make_multilabel_classification	生成一个随机多标签分类问题。 sklearn.datasets
make_regression	生成一个随机回归问题。 sklearn.datasets
make_s_curve	生成一个 S 曲线数据集。 sklearn.datasets
make_sparse_coded_signal	生成一个作为字典元素稀疏组合的信号。 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	使用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	解决字典学习矩阵分解问题。 sklearn.decomposition
dict_learning_online	在线解决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	一个 AdaBoost 分类器。 sklearn.ensemble
AdaBoostRegressor	一个 AdaBoost 回归器。 sklearn.ensemble
BaggingClassifier	一个 Bagging 分类器。 sklearn.ensemble
BaggingRegressor	一个 Bagging 回归器。 sklearn.ensemble
ExtraTreesClassifier	一个 Extra-Trees 分类器。 sklearn.ensemble
ExtraTreesRegressor	一个 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	孤立森林算法。 sklearn.ensemble
RandomForestClassifier	一个随机森林分类器。 sklearn.ensemble
RandomForestRegressor	一个随机森林回归器。 sklearn.ensemble
RandomTreesEmbedding	一个完全随机树的集成。 sklearn.ensemble
StackingClassifier	带最终分类器的估计器堆栈。 sklearn.ensemble
StackingRegressor	带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	捕获收敛问题的自定义警告 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	用于通知数据维度潜在问题的自定义警告。 sklearn.exceptions
EfficiencyWarning	用于通知用户计算效率低下的警告。 sklearn.exceptions
FitFailedWarning	如果拟合估计器时出错，则使用的警告类。 sklearn.exceptions
InconsistentVersionWarning	当估计器以不一致版本解封时发出的警告。 sklearn.exceptions
NotFittedError	如果估计器在拟合之前使用，则引发的异常类。 sklearn.exceptions
UndefinedMetricWarning	指标无效时使用的警告 sklearn.exceptions
EstimatorCheckFailedWarning	当通用测试中的估计器检查失败时发出的警告。 sklearn.exceptions
enable_halving_search_cv	启用逐次减半搜索估计器 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	将二维图像重塑为补丁集合。 sklearn.feature_extraction.image
grid_to_graph	像素到像素连接图。 sklearn.feature_extraction.image
img_to_graph	像素到像素梯度连接图。 sklearn.feature_extraction.image
reconstruct_from_patches_2d	从所有补丁重建图像。 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	将计数矩阵转换为归一化的 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	筛选：选择估计假发现率的 p 值。 sklearn.feature_selection
SelectFpr	筛选：根据 FPR 测试选择低于 alpha 的 p 值。 sklearn.feature_selection
SelectFromModel	根据重要性权重选择特征的元转换器。 sklearn.feature_selection
SelectFwe	筛选：选择对应于家族错误率的 p 值。 sklearn.feature_selection
SelectKBest	根据 k 个最高分数选择特征。 sklearn.feature_selection
SelectPercentile	根据最高分数的百分位数选择特征。 sklearn.feature_selection
SelectorMixin	在给定支持掩码的情况下执行特征选择的转换器 mixin。 sklearn.feature_selection
SequentialFeatureSelector	执行顺序特征选择的转换器。 sklearn.feature_selection
VarianceThreshold	移除所有低方差特征的特征选择器。 sklearn.feature_selection
chi2	计算每个非负特征与类之间的卡方统计量。 sklearn.feature_selection
f_classif	计算所提供样本的 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测试。 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	计算每个特征和目标的皮尔逊 r 值。 sklearn.feature_selection
FrozenEstimator	包装已拟合估计器以防止重新拟合的估计器。 sklearn.frozen
GaussianProcessClassifier	基于拉普拉斯近似的高斯过程分类 (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（又称周期核）。 sklearn.gaussian_process.kernels
Exponentiation	指数核接受一个基本核和一个标量参数 sklearn.gaussian_process.kernels
Hyperparameter	以命名元组形式的核超参数规范。 sklearn.gaussian_process.kernels
Kernel	所有核的基类。 sklearn.gaussian_process.kernels
Matern	Matern 核。 sklearn.gaussian_process.kernels
PairwiseKernel	sklearn.metrics.pairwise 中核的包装器。 sklearn.gaussian_process.kernels
Product	Product 核接受两个核 \(k_1\) 和 \(k_2\) sklearn.gaussian_process.kernels
RBF	径向基函数核（又称平方指数核）。 sklearn.gaussian_process.kernels
RationalQuadratic	有理二次核。 sklearn.gaussian_process.kernels
Sum	Sum 核接受两个核 \(k_1\) 和 \(k_2\) sklearn.gaussian_process.kernels
WhiteKernel	白核。 sklearn.gaussian_process.kernels
IterativeImputer	从所有其他特征估计每个特征的多元填充器。 sklearn.impute
KNNImputer	使用 k-最近邻完成缺失值的插补。 sklearn.impute
MissingIndicator	缺失值的二元指示符。 sklearn.impute
SimpleImputer	用于使用简单策略完成缺失值的单变量填充器。 sklearn.impute
partial_dependence	特征的偏依赖。 sklearn.inspection
permutation_importance	特征评估的置换重要性 [Rd9e56ef97513-BRE]。 sklearn.inspection
DecisionBoundaryDisplay	决策边界可视化。 sklearn.inspection
PartialDependenceDisplay	偏依赖图 (PDP) 和个体条件期望 (ICE)。 sklearn.inspection
IsotonicRegression	保序回归模型。 sklearn.isotonic
check_increasing	确定 y 是否与 x 单调相关。 sklearn.isotonic
isotonic_regression	求解保序回归模型。 sklearn.isotonic
AdditiveChi2Sampler	用于加性卡方核的近似特征映射。 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近似。 sklearn.kernel_approximation
RBFSampler	使用随机傅里叶特征近似 RBF 核特征映射。 sklearn.kernel_approximation
SkewedChi2Sampler	用于“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（又称 logit，最大熵）分类器。 sklearn.linear_model
LogisticRegressionCV	逻辑回归 CV（又称 logit，最大熵）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	带内置交叉验证的岭分类器。 sklearn.linear_model
SGDClassifier	带 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 One-Class SVM。 sklearn.linear_model
LinearRegression	普通最小二乘线性回归。 sklearn.linear_model
Ridge	带 L2 正则化的线性最小二乘。 sklearn.linear_model
RidgeCV	带内置交叉验证的岭回归。 sklearn.linear_model
SGDRegressor	通过最小化带 SGD 的正则化经验损失拟合的线性模型。 sklearn.linear_model
ElasticNet	将 L1 和 L2 先验结合作为正则化的线性回归。 sklearn.linear_model
ElasticNetCV	沿正则化路径迭代拟合的弹性网络模型。 sklearn.linear_model
Lars	最小角回归模型，又称 LAR。 sklearn.linear_model
LarsCV	交叉验证的最小角回归模型。 sklearn.linear_model
Lasso	使用 L1 先验作为正则化器训练的线性模型（又称 Lasso）。 sklearn.linear_model
LassoCV	沿正则化路径迭代拟合的 Lasso 线性模型。 sklearn.linear_model
LassoLars	使用最小角回归（又称 Lars）拟合的 Lasso 模型。 sklearn.linear_model
LassoLarsCV	使用 LARS 算法的交叉验证 Lasso。 sklearn.linear_model
LassoLarsIC	使用 Lars 拟合的 Lasso 模型，并使用 BIC 或 AIC 进行模型选择。 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训练的多任务弹性网络模型。 sklearn.linear_model
MultiTaskElasticNetCV	带内置交叉验证的多任务 L1/L2 弹性网络。 sklearn.linear_model
MultiTaskLasso	使用 L1/L2 混合范数作为正则化器训练的多任务 Lasso 模型。 sklearn.linear_model
MultiTaskLassoCV	使用 L1/L2 混合范数作为正则化器训练的多任务 Lasso 模型。 sklearn.linear_model
HuberRegressor	对异常值稳健的 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（随机样本一致性）算法。 sklearn.linear_model
TheilSenRegressor	Theil-Sen 估计器：稳健多元回归模型。 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	通过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	多维尺度。 sklearn.manifold
SpectralEmbedding	用于非线性降维的谱嵌入。 sklearn.manifold
TSNE	T 分布随机近邻嵌入。 sklearn.manifold
locally_linear_embedding	对数据执行局部线性嵌入分析。 sklearn.manifold
smacof	使用 SMACOF 算法计算多维尺度。 sklearn.manifold
spectral_embedding	将样本投影到图拉普拉斯算子的第一个特征向量上。 sklearn.manifold
trustworthiness	指示局部结构保留的程度。 sklearn.manifold
check_scoring	从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	准确率分类分数。 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's kappa：一种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，对数损失的解释分数。 sklearn.metrics
dcg_score	计算折损累积增益。 sklearn.metrics
det_curve	计算不同概率阈值的检测误差权衡 (DET)。 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	平均合页损失（非正则化）。 sklearn.metrics
jaccard_score	Jaccard 相似系数分数。 sklearn.metrics
log_loss	对数损失，又称逻辑损失或交叉熵损失。 sklearn.metrics
matthews_corrcoef	计算 Matthews 相关系数 (MCC)。 sklearn.metrics
multilabel_confusion_matrix	计算每个类或样本的混淆矩阵。 sklearn.metrics
ndcg_score	计算归一化折损累积增益。 sklearn.metrics
precision_recall_curve	计算不同概率阈值的精确度-召回率对。 sklearn.metrics
precision_recall_fscore_support	计算每个类的精确度、召回率、F-度量和支持。 sklearn.metrics
precision_score	计算精确度。 sklearn.metrics
recall_score	计算召回率。 sklearn.metrics
roc_auc_score	根据预测分数计算接收者操作特征曲线下面积 (ROC AUC)。 sklearn.metrics
roc_curve	计算接收者操作特征 (ROC)。 sklearn.metrics
top_k_accuracy_score	Top-k 准确率分类分数。 sklearn.metrics
zero_one_loss	零一分类损失。 sklearn.metrics
d2_absolute_error_score	\(D^2\) 回归分数函数，绝对误差的解释分数。 sklearn.metrics
d2_pinball_score	\(D^2\) 回归分数函数，弹珠损失的解释分数。 sklearn.metrics
d2_tweedie_score	\(D^2\) 回归分数函数，Tweedie 偏差的解释分数。 sklearn.metrics
explained_variance_score	解释方差回归分数函数。 sklearn.metrics
max_error	max_error 指标计算最大残差。 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	分位数回归的弹珠损失。 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）回归分数函数。 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	针对偶然性调整的 Rand 指数。 sklearn.metrics
calinski_harabasz_score	计算 Calinski 和 Harabasz 分数。 sklearn.metrics
contingency_matrix	构建描述标签之间关系的列联矩阵。 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	在给定真实标签的情况下，计算聚类标签的完整性指标。 sklearn.metrics
davies_bouldin_score	计算 Davies-Bouldin 分数。 sklearn.metrics
fowlkes_mallows_score	测量一组点的两个聚类的相似性。 sklearn.metrics
homogeneity_completeness_v_measure	同时计算同质性、完整性和 V-Measure 分数。 sklearn.metrics
homogeneity_score	在给定真实标签的情况下，聚类标签的同质性指标。 sklearn.metrics
mutual_info_score	两个聚类之间的互信息。 sklearn.metrics
normalized_mutual_info_score	两个聚类之间的归一化互信息。 sklearn.metrics
rand_score	Rand 指数。 sklearn.metrics
silhouette_samples	计算每个样本的轮廓系数。 sklearn.metrics
silhouette_score	计算所有样本的平均轮廓系数。 sklearn.metrics
v_measure_score	在给定真实标签的情况下，V-measure 聚类标签。 sklearn.metrics
consensus_score	两组双聚类的相似性。 sklearn.metrics
DistanceMetric	快速距离度量函数的统一接口。 sklearn.metrics
additive_chi2_kernel	计算 X 和 Y 中观测值之间的加性卡方核。 sklearn.metrics.pairwise
chi2_kernel	计算 X 和 Y 之间的指数卡方核。 sklearn.metrics.pairwise
cosine_distances	计算 X 和 Y 中样本之间的余弦距离。 sklearn.metrics.pairwise
cosine_similarity	计算 X 和 Y 中样本之间的余弦相似度。 sklearn.metrics.pairwise
distance_metrics	pairwise_distances 的有效指标。 sklearn.metrics.pairwise
euclidean_distances	计算特征数组 X 和 Y 中每对之间的距离矩阵。 sklearn.metrics.pairwise
haversine_distances	计算 X 和 Y 中样本之间的 Haversine 距离。 sklearn.metrics.pairwise
kernel_metrics	pairwise_kernels 的有效指标。 sklearn.metrics.pairwise
laplacian_kernel	计算 X 和 Y 之间的拉普拉斯核。 sklearn.metrics.pairwise
linear_kernel	计算 X 和 Y 之间的线性核。 sklearn.metrics.pairwise
manhattan_distances	计算 X 和 Y 中向量之间的 L1 距离。 sklearn.metrics.pairwise
nan_euclidean_distances	在存在缺失值的情况下计算欧几里得距离。 sklearn.metrics.pairwise
paired_cosine_distances	计算 X 和 Y 之间的配对余弦距离。 sklearn.metrics.pairwise
paired_distances	计算 X 和 Y 之间的配对距离。 sklearn.metrics.pairwise
paired_euclidean_distances	计算 X 和 Y 之间的配对欧几里得距离。 sklearn.metrics.pairwise
paired_manhattan_distances	计算 X 和 Y 之间的配对 L1 距离。 sklearn.metrics.pairwise
pairwise_kernels	计算数组 X 和可选数组 Y 之间的核。 sklearn.metrics.pairwise
polynomial_kernel	计算 X 和 Y 之间的多项式核。 sklearn.metrics.pairwise
rbf_kernel	计算 X 和 Y 之间的 rbf（高斯）核。 sklearn.metrics.pairwise
sigmoid_kernel	计算 X 和 Y 之间的 sigmoid 核。 sklearn.metrics.pairwise
pairwise_distances	从特征数组 X 和可选 Y 计算距离矩阵。 sklearn.metrics
pairwise_distances_argmin	计算一个点与一组点之间的最小距离。 sklearn.metrics
pairwise_distances_argmin_min	计算一个点与一组点之间的最小距离。 sklearn.metrics
pairwise_distances_chunked	分块生成距离矩阵并可选地进行约简。 sklearn.metrics
ConfusionMatrixDisplay	混淆矩阵可视化。 sklearn.metrics
DetCurveDisplay	检测误差权衡 (DET) 曲线可视化。 sklearn.metrics
PrecisionRecallDisplay	精确度召回率可视化。 sklearn.metrics
PredictionErrorDisplay	回归模型预测误差的可视化。 sklearn.metrics
RocCurveDisplay	ROC 曲线可视化。 sklearn.metrics
BayesianGaussianMixture	高斯混合的变分贝叶斯估计。 sklearn.mixture
GaussianMixture	高斯混合。 sklearn.mixture
GroupKFold	带非重叠组的 K 折迭代器变体。 sklearn.model_selection
GroupShuffleSplit	洗牌组出交叉验证迭代器。 sklearn.model_selection
KFold	K 折交叉验证器。 sklearn.model_selection
LeaveOneGroupOut	留一分组出交叉验证器。 sklearn.model_selection
LeaveOneOut	留一出交叉验证器。 sklearn.model_selection
LeavePGroupsOut	留 P 分组出交叉验证器。 sklearn.model_selection
LeavePOut	留 P 出交叉验证器。 sklearn.model_selection
PredefinedSplit	预定义分割交叉验证器。 sklearn.model_selection
RepeatedKFold	重复 K 折交叉验证器。 sklearn.model_selection
RepeatedStratifiedKFold	重复按类分层 K 折交叉验证器。 sklearn.model_selection
ShuffleSplit	随机置换交叉验证器。 sklearn.model_selection
StratifiedGroupKFold	带非重叠组的按类分层 K 折迭代器变体。 sklearn.model_selection
StratifiedKFold	按类分层 K 折交叉验证器。 sklearn.model_selection
StratifiedShuffleSplit	按类分层 ShuffleSplit 交叉验证器。 sklearn.model_selection
TimeSeriesSplit	时间序列交叉验证器。 sklearn.model_selection
check_cv	用于构建交叉验证器的输入检查实用程序。 sklearn.model_selection
train_test_split	将数组或矩阵分割为随机训练和测试子集。 sklearn.model_selection
GridSearchCV	对估计器的指定参数值进行穷举搜索。 sklearn.model_selection
HalvingGridSearchCV	使用逐次减半对指定参数值进行搜索。 sklearn.model_selection
HalvingRandomSearchCV	参数网格，每个参数具有离散数量的值。 sklearn.model_selection
ParameterGrid	从给定分布中采样的参数生成器。 sklearn.model_selection
ParameterSampler	超参数的随机搜索。 sklearn.model_selection
RandomizedSearchCV	参数网格，每个参数具有离散数量的值。 sklearn.model_selection
FixedThresholdClassifier	手动设置决策阈值的二元分类器。 sklearn.model_selection
TunedThresholdClassifierCV	使用交叉验证后调整决策阈值的分类器。 sklearn.model_selection
cross_val_predict	为每个输入数据点生成交叉验证的估计值。 sklearn.model_selection
cross_val_score	通过交叉验证评估分数。 sklearn.model_selection
cross_validate	通过交叉验证评估指标，并记录拟合/评分时间。 sklearn.model_selection
learning_curve	学习曲线。 sklearn.model_selection
permutation_test_score	使用置换评估交叉验证分数的显著性。 sklearn.model_selection
validation_curve	验证曲线。 sklearn.model_selection
LearningCurveDisplay	学习曲线可视化。 sklearn.model_selection
ValidationCurveDisplay	验证曲线可视化。 sklearn.model_selection
OneVsOneClassifier	一对一多类策略。 sklearn.multiclass
OneVsRestClassifier	一对多 (OvR) 多类策略。 sklearn.multiclass
OutputCodeClassifier	（纠错）输出码多类策略。 sklearn.multiclass
ClassifierChain	将二元分类器排列成链的多标签模型。 sklearn.multioutput
MultiOutputClassifier	多目标分类。 sklearn.multioutput
MultiOutputRegressor	多目标回归。 sklearn.multioutput
RegressorChain	将回归排列成链的多标签模型。 sklearn.multioutput
BernoulliNB	多元伯努利模型的朴素贝叶斯分类器。 sklearn.naive_bayes
CategoricalNB	分类特征的朴素贝叶斯分类器。 sklearn.naive_bayes
ComplementNB	Rennie 等人 (2003) 描述的补码朴素贝叶斯分类器。 sklearn.naive_bayes
GaussianNB	高斯朴素贝叶斯 (GaussianNB)。 sklearn.naive_bayes
MultinomialNB	多项式模型的朴素贝叶斯分类器。 sklearn.naive_bayes
BallTree	用于快速广义 N 点问题的 BallTree。 sklearn.neighbors
KDTree	用于快速广义 N 点问题的 KDTree。 sklearn.neighbors
KNeighborsClassifier	实现 k 近邻投票的分类器。 sklearn.neighbors
KNeighborsRegressor	基于 k 近邻的回归。 sklearn.neighbors
KNeighborsTransformer	将 X 转换为 k 近邻的（加权）图。 sklearn.neighbors
KernelDensity	核密度估计。 sklearn.neighbors
LocalOutlierFactor	使用局部异常因子 (LOF) 的无监督异常值检测。 sklearn.neighbors
NearestCentroid	最近质心分类器。 sklearn.neighbors
NearestNeighbors	用于实现邻居搜索的无监督学习器。 sklearn.neighbors
NeighborhoodComponentsAnalysis	邻域成分分析。 sklearn.neighbors
RadiusNeighborsClassifier	在给定半径内实现邻居投票的分类器。 sklearn.neighbors
RadiusNeighborsRegressor	基于固定半径内邻居的回归。 sklearn.neighbors
RadiusNeighborsTransformer	将 X 转换为半径内邻居的（加权）图。 sklearn.neighbors
kneighbors_graph	计算 X 中点的 k-近邻（加权）图。 sklearn.neighbors
radius_neighbors_graph	计算 X 中点的近邻（加权）图。 sklearn.neighbors
sort_graph_by_row_values	对稀疏图进行排序，使得每行都以递增值存储。 sklearn.neighbors
BernoulliRBM	伯努利受限玻尔兹曼机 (RBM)。 sklearn.neural_network
MLPClassifier	多层感知器分类器。 sklearn.neural_network
MLPRegressor	多层感知器回归器。 sklearn.neural_network
FeatureUnion	连接多个转换器对象的结果。 sklearn.pipeline
Pipeline	数据转换器序列，带可选的最终预测器。 sklearn.pipeline
make_pipeline	从给定估计器构造 Pipeline。 sklearn.pipeline
make_union	从给定转换器构造 FeatureUnion。 sklearn.pipeline
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
FunctionTransformer	从任意可调用对象构造转换器。 sklearn.preprocessing
KBinsDiscretizer	将连续数据分箱到区间中。 sklearn.preprocessing
KernelCenterer	将任意核矩阵 \(K\) 居中。 sklearn.preprocessing
LabelBinarizer	以一对多的方式对标签进行二值化。 sklearn.preprocessing
LabelEncoder	将目标标签编码为 0 到 n_classes-1 之间的值。 sklearn.preprocessing
MaxAbsScaler	根据其最大绝对值缩放每个特征。 sklearn.preprocessing
MinMaxScaler	通过将每个特征缩放到给定范围来转换特征。 sklearn.preprocessing
MultiLabelBinarizer	在可迭代对象的迭代器和多标签格式之间进行转换。 sklearn.preprocessing
Normalizer	将样本单独归一化为单位范数。 sklearn.preprocessing
OneHotEncoder	将分类特征编码为独热数值数组。 sklearn.preprocessing
OrdinalEncoder	将分类特征编码为整数数组。 sklearn.preprocessing
PolynomialFeatures	生成多项式和交互特征。 sklearn.preprocessing
PowerTransformer	对特征应用幂变换，使数据更接近高斯分布。 sklearn.preprocessing
QuantileTransformer	使用分位数信息转换特征。 sklearn.preprocessing
RobustScaler	使用对异常值稳健的统计量缩放特征。 sklearn.preprocessing
SplineTransformer	为特征生成单变量 B 样条基。 sklearn.preprocessing
StandardScaler	通过移除均值和缩放到单位方差来标准化特征。 sklearn.preprocessing
TargetEncoder	用于回归和分类目标的 Target Encoder。 sklearn.preprocessing
add_dummy_feature	为数据集添加一个额外的虚拟特征。 sklearn.preprocessing
binarize	对类数组或 scipy.sparse 矩阵进行布尔阈值处理。 sklearn.preprocessing
label_binarize	以一对多的方式对标签进行二值化。 sklearn.preprocessing
maxabs_scale	将每个特征缩放到 [-1, 1] 范围，同时不破坏稀疏性。 sklearn.preprocessing
minmax_scale	通过将每个特征缩放到给定范围来转换特征。 sklearn.preprocessing
normalize	将输入向量单独缩放到单位范数（向量长度）。 sklearn.preprocessing
power_transform	参数化、单调变换，使数据更接近高斯分布。 sklearn.preprocessing
quantile_transform	使用分位数信息转换特征。 sklearn.preprocessing
robust_scale	沿任何轴标准化数据集。 sklearn.preprocessing
scale	沿任何轴标准化数据集。 sklearn.preprocessing
GaussianRandomProjection	通过高斯随机投影降低维度。 sklearn.random_projection
SparseRandomProjection	通过稀疏随机投影降低维度。 sklearn.random_projection
johnson_lindenstrauss_min_dim	找到一个“安全”的组件数量以随机投影到。 sklearn.random_projection
LabelPropagation	标签传播分类器。 sklearn.semi_supervised
LabelSpreading	用于半监督学习的 LabelSpreading 模型。 sklearn.semi_supervised
SelfTrainingClassifier	自训练分类器。 sklearn.semi_supervised
LinearSVC	线性支持向量分类。 sklearn.svm
LinearSVR	线性支持向量回归。 sklearn.svm
NuSVC	Nu-支持向量分类。 sklearn.svm
NuSVR	Nu 支持向量回归。 sklearn.svm
OneClassSVM	无监督异常值检测。 sklearn.svm
SVC	C-支持向量分类。 sklearn.svm
SVR	Epsilon-支持向量回归。 sklearn.svm
l1_min_c	返回 C 的最低下限。 sklearn.svm
DecisionTreeClassifier	一个决策树分类器。 sklearn.tree
DecisionTreeRegressor	一个决策树回归器。 sklearn.tree
ExtraTreeClassifier	一个极端随机树分类器。 sklearn.tree
ExtraTreeRegressor	一个极端随机树回归器。 sklearn.tree
export_graphviz	以 DOT 格式导出决策树。 sklearn.tree
export_text	构建显示决策树规则的文本报告。 sklearn.tree
plot_tree	绘制决策树。 sklearn.tree
Bunch	将键公开为属性的容器对象。 sklearn.utils
_safe_indexing	使用索引返回 X 的行、项或列。 sklearn.utils
as_float_array	将类数组转换为浮点数数组。 sklearn.utils
assert_all_finite	如果 X 包含 NaN 或无穷大，则引发 ValueError。 sklearn.utils
deprecated	将函数或类标记为已弃用的装饰器。 sklearn.utils
estimator_html_repr	构建估计器的 HTML 表示。 sklearn.utils
gen_batches	生成器，用于创建包含从 0 到 n 的 batch_size 元素的切片。 sklearn.utils
gen_even_slices	生成器，用于创建多达 n 个均匀间隔的 n_packs 切片。 sklearn.utils
indexable	使数组可索引以进行交叉验证。 sklearn.utils
murmurhash3_32	计算 seed 处 key 的 32 位 murmurhash3。 sklearn.utils
resample	以一致的方式重新采样数组或稀疏矩阵。 sklearn.utils
safe_mask	返回一个可以安全用于 X 的掩码。 sklearn.utils
safe_sqr	对类数组和稀疏矩阵进行逐元素平方。 sklearn.utils
shuffle	以一致的方式打乱数组或稀疏矩阵。 sklearn.utils
Tags	估计器的标签。 sklearn.utils
InputTags	输入数据的标签。 sklearn.utils
TargetTags	目标数据的标签。 sklearn.utils
ClassifierTags	分类器的标签。 sklearn.utils
RegressorTags	回归器的标签。 sklearn.utils
TransformerTags	转换器的标签。 sklearn.utils
get_tags	获取估计器标签。 sklearn.utils
check_X_y	标准估计器的输入验证。 sklearn.utils
check_array	对数组、列表、稀疏矩阵或类似对象进行输入验证。 sklearn.utils
check_consistent_length	检查所有数组是否具有一致的第一维度。 sklearn.utils
check_random_state	将 seed 转换为 np.random.RandomState 实例。 sklearn.utils
check_scalar	验证标量参数的类型和值。 sklearn.utils
check_is_fitted	对估计器执行 is_fitted 验证。 sklearn.utils.validation
check_memory	检查 memory 是否类似于 joblib.Memory。 sklearn.utils.validation
check_symmetric	确保数组是二维、方形和对称的。 sklearn.utils.validation
column_or_1d	展开列或一维 numpy 数组，否则引发错误。 sklearn.utils.validation
has_fit_parameter	检查估计器的 fit 方法是否支持给定参数。 sklearn.utils.validation
validate_data	验证输入数据并设置或检查输入特征的名称和计数。 sklearn.utils.validation
available_if	只有当检查返回真值时才可用的属性。 sklearn.utils.metaestimators
compute_class_weight	估计不平衡数据集的类别权重。 sklearn.utils.class_weight
compute_sample_weight	为不平衡数据集按类别估计样本权重。 sklearn.utils.class_weight
is_multilabel	检查 y 是否为多标签格式。 sklearn.utils.multiclass
type_of_target	确定目标指示的数据类型。 sklearn.utils.multiclass
unique_labels	提取唯一标签的有序数组。 sklearn.utils.multiclass
density	计算稀疏向量的密度。 sklearn.utils.extmath
fast_logdet	计算方阵行列式的对数。 sklearn.utils.extmath
randomized_range_finder	计算一个正交矩阵，其范围近似于 A 的范围。 sklearn.utils.extmath
randomized_svd	计算截断随机 SVD。 sklearn.utils.extmath
safe_sparse_dot	正确处理稀疏矩阵情况的点积。 sklearn.utils.extmath
weighted_mode	返回传入数组中加权众数（最常见）值的数组。 sklearn.utils.extmath
incr_mean_variance_axis	在 CSR 或 CSC 矩阵上沿轴计算增量均值和方差。 sklearn.utils.sparsefuncs
inplace_column_scale	CSC/CSR 矩阵的就地列缩放。 sklearn.utils.sparsefuncs
inplace_csr_column_scale	CSR 矩阵的就地列缩放。 sklearn.utils.sparsefuncs
inplace_row_scale	CSR 或 CSC 矩阵的就地行缩放。 sklearn.utils.sparsefuncs
inplace_swap_column	就地交换 CSC/CSR 矩阵的两列。 sklearn.utils.sparsefuncs
inplace_swap_row	就地交换 CSC/CSR 矩阵的两行。 sklearn.utils.sparsefuncs
mean_variance_axis	在 CSR 或 CSC 矩阵上沿轴计算均值和方差。 sklearn.utils.sparsefuncs
inplace_csr_row_normalize_l1	就地将 CSR 矩阵或数组的行按其 L1 范数归一化。 sklearn.utils.sparsefuncs_fast
inplace_csr_row_normalize_l2	就地将 CSR 矩阵或数组的行按其 L2 范数归一化。 sklearn.utils.sparsefuncs_fast
single_source_shortest_path_length	返回从源到所有可达节点的最短路径长度。 sklearn.utils.graph
sample_without_replacement	无放回地抽取整数。 sklearn.utils.random
min_pos	查找数组中正值的最小值。 sklearn.utils.arrayfuncs
MetadataRequest	包含消费者的元数据请求信息。 sklearn.utils.metadata_routing
MetadataRouter	存储和处理路由对象的元数据路由。 sklearn.utils.metadata_routing
MethodMapping	存储路由器的调用者和被调用方法之间的映射。 sklearn.utils.metadata_routing
get_routing_for_object	从给定对象获取 Metadata{Router, Request} 实例。 sklearn.utils.metadata_routing
process_routing	验证并路由输入参数。 sklearn.utils.metadata_routing
all_displays	获取 sklearn 中所有显示器的列表。 sklearn.utils.discovery
all_estimators	获取 sklearn 中所有估计器的列表。 sklearn.utils.discovery
all_functions	获取 sklearn 中所有函数的列表。 sklearn.utils.discovery
check_estimator	检查估计器是否符合 scikit-learn 约定。 sklearn.utils.estimator_checks
parametrize_with_checks	用于参数化估计器检查的 Pytest 特定装饰器。 sklearn.utils.estimator_checks
estimator_checks_generator	迭代地生成估计器的所有检查可调用对象。 sklearn.utils.estimator_checks
Parallel	joblib.Parallel 的修改，它传播 scikit-learn 配置。 sklearn.utils.parallel
delayed	用于捕获函数参数的装饰器。 sklearn.utils.parallel