API 参考

这是 scikit-learn 的类和函数参考。有关更多详细信息，请参阅完整用户指南，因为类的原始规范和函数可能不足以提供有关其用途的完整指导。有关在 API 中重复的概念的参考，请参阅常见术语和 API 元素词汇表。

对象	描述
config_context	上下文管理器，用于临时更改 scikit-learn 的全局配置。 sklearn
get_config	检索当前的 scikit-learn 配置。 sklearn
set_config	设置 scikit-learn 的全局配置。 sklearn
show_versions	打印有用的调试信息。 sklearn
BaseEstimator	scikit-learn 中所有估算器的基类。 sklearn.base
BiclusterMixin	scikit-learn 中所有双聚类估算器的 Mixin 类。 sklearn.base
ClassNamePrefixFeaturesOutMixin	Mixin 类，用于通过添加前缀生成名称的转换器。 sklearn.base
ClassifierMixin	scikit-learn 中所有分类器的 Mixin 类。 sklearn.base
ClusterMixin	scikit-learn 中所有聚类估算器的 Mixin 类。 sklearn.base
DensityMixin	scikit-learn 中所有密度估算器的 Mixin 类。 sklearn.base
MetaEstimatorMixin	scikit-learn 中所有元估算器的 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算器的 Mixin 类。 sklearn.base
RegressorMixin	scikit-learn 中所有回归估算器的 Mixin 类。 sklearn.base
TransformerMixin	scikit-learn 中所有转换器的 Mixin 类。 sklearn.base
clone	构造具有相同参数的新未拟合估算器。 sklearn.base
is_classifier	如果给定估算器（可能）是分类器，则返回 True。 sklearn.base
is_clusterer	如果给定估算器（可能）是聚类器，则返回 True。 sklearn.base
is_regressor	如果给定估算器（可能）是回归器，则返回 True。 sklearn.base
is_outlier_detector	如果给定估算器（可能）是异常值检测器，则返回 True。 sklearn.base
CalibratedClassifierCV	使用等渗、sigmoid 或温度缩放校准概率。 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 Affinity Propagation 聚类。 sklearn.cluster
AgglomerativeClustering	Agglomerative Clustering（层次聚类）。 sklearn.cluster
Birch	实现 BIRCH 聚类算法。 sklearn.cluster
BisectingKMeans	Bisecting K-Means 聚类。 sklearn.cluster
DBSCAN	从向量数组或距离矩阵执行 DBSCAN 聚类。 sklearn.cluster
FeatureAgglomeration	特征凝聚。 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-Means 聚类。 sklearn.cluster
MeanShift	使用平坦核的 Mean Shift 聚类。 sklearn.cluster
MiniBatchKMeans	Mini-Batch K-Means 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) [R2af9f5762274-1]。 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) [R0dd0f3306ba7-1]。 sklearn.cluster
affinity_propagation	执行数据的 Affinity Propagation 聚类。 sklearn.cluster
cluster_optics_dbscan	为任意 epsilon 执行 DBSCAN 提取。 sklearn.cluster
cluster_optics_xi	根据 Xi 陡峭方法自动提取聚类。 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	估算与 mean-shift 算法一起使用的带宽。 sklearn.cluster
k_means	执行 K-means 聚类算法。 sklearn.cluster
kmeans_plusplus	根据 k-means++ 初始化 n_clusters 种子。 sklearn.cluster
mean_shift	使用平坦核执行数据的 mean shift 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	用于对转换后的目标进行回归的元估算器。 sklearn.compose
make_column_selector	创建一个可调用对象，用于选择要与以下内容一起使用的列 sklearn.compose
make_column_transformer	从给定的转换器构造一个 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	最大似然协方差估算器。 sklearn.covariance
GraphicalLasso	使用 l1 惩罚估算器进行稀疏逆协方差估计。 sklearn.covariance
GraphicalLassoCV	稀疏逆协方差 w/ 交叉验证选择 l1 惩罚。 sklearn.covariance
LedoitWolf	LedoitWolf 估算器。 sklearn.covariance
MinCovDet	最小协方差行列式 (MCD)：协方差的鲁棒估算器。 sklearn.covariance
OAS	Oracle 近似收缩估算器。 sklearn.covariance
ShrunkCovariance	具有收缩的协方差估算器。 sklearn.covariance
empirical_covariance	计算最大似然协方差估算器。 sklearn.covariance
graphical_lasso	L1 惩罚协方差估算器。 sklearn.covariance
ledoit_wolf	估算收缩的 Ledoit-Wolf 协方差矩阵。 sklearn.covariance
ledoit_wolf_shrinkage	估算收缩的 Ledoit-Wolf 协方差矩阵。 sklearn.covariance
oas	使用 Oracle 近似收缩估算协方差。 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	Partial Least Squares 转换器和回归器。 sklearn.cross_decomposition
PLSRegression	PLS 回归。 sklearn.cross_decomposition
PLSSVD	Partial Least Square SVD。 sklearn.cross_decomposition
clear_data_home	删除数据主缓存的所有内容。 sklearn.datasets
dump_svmlight_file	以 svmlight / libsvm 文件格式转储数据集。 sklearn.datasets
fetch_20newsgroups	加载 20 newsgroups 数据集（分类）的文件名和数据。 sklearn.datasets
fetch_20newsgroups_vectorized	加载和向量化 20 newsgroups 数据集（分类）。 sklearn.datasets
fetch_california_housing	加载加州房价数据集（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 Labeled Faces in the Wild (LFW) 对数据集（分类）。 sklearn.datasets
fetch_lfw_people	加载 Labeled Faces in the Wild (LFW) 人物数据集（分类）。 sklearn.datasets
fetch_olivetti_faces	从 AT&T 加载 Olivetti faces 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 et. al. (2006) 的物种分布数据集。 sklearn.datasets
get_data_home	返回 scikit-learn 数据目录的路径。 sklearn.datasets
load_breast_cancer	加载并返回乳腺癌威斯康星数据集（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	加载子文件夹名称为类别的文本文件。 sklearn.datasets
load_iris	加载并返回鸢尾花数据集（分类）。 sklearn.datasets
load_linnerud	加载并返回体育锻炼 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 SVMlight 格式的多个文件加载数据集。 sklearn.datasets
load_wine	加载并返回葡萄酒数据集（分类）。 sklearn.datasets
make_biclusters	为双聚类生成常量块对角结构数组。 sklearn.datasets
make_blobs	生成用于聚类的各向同性高斯斑点。 sklearn.datasets
make_checkerboard	为双聚类生成具有块棋盘结构的数组。 sklearn.datasets
make_circles	在 2d 中创建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，并按分位数标记样本。 sklearn.datasets
make_hastie_10_2	生成 Hastie et al. 2009, Example 10.2 中使用的二元分类数据。 sklearn.datasets
make_low_rank_matrix	生成一个带有钟形奇异值的低秩矩阵。 sklearn.datasets
make_moons	创建两个交错的半圆。 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	生成作为字典元素的稀疏组合的信号。 sklearn.datasets
make_sparse_spd_matrix	生成稀疏对称正定矩阵。 sklearn.datasets
make_sparse_uncorrelated	生成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：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	Mini-batch 字典学习。 sklearn.decomposition
MiniBatchNMF	Mini-Batch 非负矩阵分解 (NMF)。 sklearn.decomposition
MiniBatchSparsePCA	Mini-batch 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	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	Isolation Forest 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	带有最终分类器的估算器堆栈。 sklearn.ensemble
StackingRegressor	带有最终回归器的估算器堆栈。 sklearn.ensemble
VotingClassifier	未拟合估算器的软投票/多数规则分类器。 sklearn.ensemble
VotingRegressor	未拟合估算器的预测投票回归器。 sklearn.ensemble
ConvergenceWarning	自定义警告以捕获收敛问题 sklearn.exceptions
DataConversionWarning	用于通知代码中发生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	如果在拟合估算器时发生错误，则使用的警告类。 sklearn.exceptions
InconsistentVersionWarning	当估算器以不一致的版本解封时引发的警告。 sklearn.exceptions
NotFittedError	如果在拟合前使用估算器，则引发的异常类。 sklearn.exceptions
UndefinedMetricWarning	当度量无效时引发的警告 sklearn.exceptions
EstimatorCheckFailedWarning	当通用测试中的估算器检查失败时引发的警告。 sklearn.exceptions
enable_halving_search_cv	启用 Successive Halving 搜索估算器 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，又名哈希技巧。 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	从其所有补丁重建图像。 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	具有递归特征消除的特征排名。 sklearn.feature_selection
RFECV	具有交叉验证的递归特征消除以选择特征。 sklearn.feature_selection
SelectFdr	过滤器：为估算的错误发现率选择 p 值。 sklearn.feature_selection
SelectFpr	过滤器：根据 FPR 测试选择低于 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：选择对应于家庭误差率的 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	转换器 Mixin，根据支持掩码执行特征选择 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	计算每个非负特征和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 Pearson's r。 sklearn.feature_selection
FrozenEstimator	包装已拟合估算器以防止重新拟合的估算器。 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	常量核。 sklearn.gaussian_process.kernels
DotProduct	点积核。 sklearn.gaussian_process.kernels
ExpSineSquared	Exp-Sine-Squared 核（又名周期性核）。 sklearn.gaussian_process.kernels
Exponentiation	Exponentiation 核采用一个基本核和一个标量参数 sklearn.gaussian_process.kernels
Hyperparameter	核超参数的规范，以命名元组的形式。 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	Rational Quadratic 核。 sklearn.gaussian_process.kernels
Sum	Sum 核采用两个核 \(k_1\) 和 \(k_2\) sklearn.gaussian_process.kernels
WhiteKernel	White 核。 sklearn.gaussian_process.kernels
IterativeImputer	多元插补器，从所有其他特征估计每个特征。 sklearn.impute
KNNImputer	使用 k-Nearest Neighbors 完成缺失值的插补。 sklearn.impute
MissingIndicator	缺失值的二进制指示符。 sklearn.impute
SimpleImputer	使用简单策略完成缺失值的单变量插补器。 sklearn.impute
partial_dependence	features 的部分依赖性。 sklearn.inspection
permutation_importance	用于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	部分依赖图 (PDP) 和个体条件期望 (ICE)。 sklearn.inspection
IsotonicRegression	等渗回归模型。 sklearn.isotonic
check_increasing	确定 y 是否与 x 单调相关。 sklearn.isotonic
isotonic_regression	求解等渗回归模型。 sklearn.isotonic
AdditiveChi2Sampler	加性卡方核的近似特征图。 sklearn.kernel_approximation
Nystroem	使用训练数据的子集近似核图。 sklearn.kernel_approximation
PolynomialCountSketch	通过张量草图近似多项式核。 sklearn.kernel_approximation
RBFSampler	使用随机傅里叶特征近似 RBF 核特征图。 sklearn.kernel_approximation
SkewedChi2Sampler	“偏斜卡方”核的近似特征图。 sklearn.kernel_approximation
KernelRidge	核岭回归。 sklearn.kernel_ridge
LogisticRegression	Logistic 回归（又名 logit，MaxEnt）分类器。 sklearn.linear_model
LogisticRegressionCV	Logistic 回归 CV（又名 logit，MaxEnt）分类器。 sklearn.linear_model
PassiveAggressiveClassifier	Passive Aggressive 分类器。 sklearn.linear_model
Perceptron	线性感知器分类器。 sklearn.linear_model
RidgeClassifier	使用 Ridge 回归的分类器。 sklearn.linear_model
RidgeClassifierCV	具有内置交叉验证的 Ridge 分类器。 sklearn.linear_model
SGDClassifier	具有 SGD 训练的线性分类器（SVM、logistic 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	具有 l2 正则化的线性最小二乘。 sklearn.linear_model
RidgeCV	具有内置交叉验证的 Ridge 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 先验作为正则化项的线性回归。 sklearn.linear_model
ElasticNetCV	具有沿正则化路径迭代拟合的 Elastic Net 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 先验作为正则化项训练的线性模型（又名 Lasso）。 sklearn.linear_model
LassoCV	具有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（又名 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 BIC 或 AIC 进行模型选择的 Lars 拟合 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项训练的多任务 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项训练的多任务 Lasso 模型。 sklearn.linear_model
MultiTaskLassoCV	使用 L1/L2 混合范数作为正则化项训练的多任务 Lasso 模型。 sklearn.linear_model
HuberRegressor	对异常值鲁棒的 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 估算器：鲁棒多元回归模型。 sklearn.linear_model
GammaRegressor	具有 Gamma 分布的广义线性模型。 sklearn.linear_model
PoissonRegressor	具有 Poisson 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	Passive Aggressive 回归器。 sklearn.linear_model
enet_path	使用坐标下降计算 elastic net 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	足够统计模式下的 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	通过正规方程组方法求解岭方程。 sklearn.linear_model
ClassicalMDS	经典多维缩放 (MDS)。 sklearn.manifold
Isomap	Isomap 嵌入。 sklearn.manifold
LocallyLinearEmbedding	局部线性嵌入。 sklearn.manifold
MDS	多维缩放。 sklearn.manifold
SpectralEmbedding	用于非线性降维的谱嵌入。 sklearn.manifold
TSNE	T 分布随机邻居嵌入。 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第一个特征向量上。 sklearn.manifold
trustworthiness	指示保留局部结构的程度。 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	准确度分类分数。 sklearn.metrics
auc	使用梯形规则计算曲线下面积 (AUC)。 sklearn.metrics
average_precision_score	从预测分数计算平均精度 (AP)。 sklearn.metrics
balanced_accuracy_score	计算平衡准确度。 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	生成显示主要分类指标的文本报告。 sklearn.metrics
cohen_kappa_score	计算 Cohen's 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
confusion_matrix_at_thresholds	计算每个分类阈值的二元混淆矩阵项。 sklearn.metrics
d2_brier_score	\(D^2\) 分数函数，Brier 分数解释的比例。 sklearn.metrics
d2_log_loss_score	\(D^2\) 分数函数，log loss 解释的比例。 sklearn.metrics
dcg_score	计算折现累积增益。 sklearn.metrics
det_curve	计算不同概率阈值的检测错误权衡 (DET)。 sklearn.metrics
f1_score	计算 F1 分数，也称为平衡 F 分数或 F-measure。 sklearn.metrics
fbeta_score	计算 F-beta 分数。 sklearn.metrics
hamming_loss	计算平均 Hamming 损失。 sklearn.metrics
hinge_loss	平均铰链损失（非正则化）。 sklearn.metrics
jaccard_score	Jaccard 相似系数分数。 sklearn.metrics
log_loss	Log loss，又名 logistic loss 或交叉熵损失。 sklearn.metrics
matthews_corrcoef	计算 Matthews 相关系数 (MCC)。 sklearn.metrics
multilabel_confusion_matrix	计算每个类别或样本的混淆矩阵。 sklearn.metrics
ndcg_score	计算归一化折现累积增益。 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	计算每个类别的精确度、召回率、F-measure 和支持度。 sklearn.metrics
precision_score	计算精确度。 sklearn.metrics
recall_score	计算召回率。 sklearn.metrics
roc_auc_score	从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 准确度分类分数。 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，绝对误差解释的比例。 sklearn.metrics
d2_pinball_score	\(D^2\) 回归分数函数，pinball loss 解释的比例。 sklearn.metrics
d2_tweedie_score	\(D^2\) 回归分数函数，Tweedie 偏差解释的比例。 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 Pinball loss。 sklearn.metrics
mean_poisson_deviance	平均 Poisson 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	经过机会调整的 Rand index。 sklearn.metrics
calinski_harabasz_score	计算 Calinski and 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	来自两个聚类的对混淆矩阵。 sklearn.metrics.cluster
completeness_score	计算给定地面实况的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	衡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	给定地面实况的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 index。 sklearn.metrics
silhouette_samples	计算每个样本的 Silhouette 系数。 sklearn.metrics
silhouette_score	计算所有样本的平均 Silhouette 系数。 sklearn.metrics
v_measure_score	给定地面实况的 V-measure 聚类标签。 sklearn.metrics
consensus_score	两组双聚类的相似性。 sklearn.metrics
DistanceMetric	用于快速距离度量函数的统一接口。 sklearn.metrics
additive_chi2_kernel	计算 X 和 Y 中的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 中的样本之间的余弦距离。 sklearn.metrics.pairwise
cosine_similarity	计算 X 和 Y 中的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 中的样本之间的 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	计算存在缺失值时的欧几里得距离。 sklearn.metrics.pairwise
paired_cosine_distances	计算 X 和 Y 之间的成对余弦距离。 sklearn.metrics.pairwise
paired_distances	计算 X 和 Y 之间的成对距离。 sklearn.metrics.pairwise
paired_euclidean_distances	计算 X 和 Y 之间的成对欧几里得距离。 sklearn.metrics.pairwise
paired_manhattan_distances	计算 X 和 Y 之间的成对 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	计算特征数组 X 和可选 Y 的距离矩阵。 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	按块生成距离矩阵，并带有可选的缩减。 sklearn.metrics
ConfusionMatrixDisplay	混淆矩阵可视化。 sklearn.metrics
DetCurveDisplay	检测错误权衡 (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	具有非重叠组的 K 折迭代器变体。 sklearn.model_selection
GroupShuffleSplit	Shuffle-Group(s)-Out 交叉验证迭代器。 sklearn.model_selection
KFold	K-Fold 交叉验证器。 sklearn.model_selection
LeaveOneGroupOut	Leave One Group Out 交叉验证器。 sklearn.model_selection
LeaveOneOut	Leave-One-Out 交叉验证器。 sklearn.model_selection
LeavePGroupsOut	Leave P Group(s) Out 交叉验证器。 sklearn.model_selection
LeavePOut	Leave-P-Out 交叉验证器。 sklearn.model_selection
PredefinedSplit	预定义拆分交叉验证器。 sklearn.model_selection
RepeatedKFold	重复 K-Fold 交叉验证器。 sklearn.model_selection
RepeatedStratifiedKFold	重复分层 K-Fold 交叉验证器。 sklearn.model_selection
ShuffleSplit	随机置换交叉验证器。 sklearn.model_selection
StratifiedGroupKFold	具有非重叠组的分层 K-Fold 迭代器变体。 sklearn.model_selection
StratifiedKFold	分层 K-Fold 交叉验证器。 sklearn.model_selection
StratifiedShuffleSplit	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	将数组或矩阵拆分为随机训练集和测试子集。 sklearn.model_selection
GridSearchCV	对估算器的指定参数值进行穷举搜索。 sklearn.model_selection
HalvingGridSearchCV	使用 Successive Halving 对指定参数值进行搜索。 sklearn.model_selection
HalvingRandomSearchCV	对超参数进行随机搜索。 sklearn.model_selection
ParameterGrid	每个参数具有离散数量值的参数网格。 sklearn.model_selection
ParameterSampler	从给定分布中采样的参数生成器。 sklearn.model_selection
RandomizedSearchCV	对超参数进行随机搜索。 sklearn.model_selection
FixedThresholdClassifier	手动设置决策阈值的二元分类器。 sklearn.model_selection
TunedThresholdClassifierCV	使用交叉验证对决策阈值进行后调整的分类器。 sklearn.model_selection
cross_val_predict	为每个输入数据点生成交叉验证估计。 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）输出代码多类策略。 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	将回归器排列成链的多标签模型。 sklearn.multioutput
BernoulliNB	用于多元伯努利模型的朴素贝叶斯分类器。 sklearn.naive_bayes
CategoricalNB	用于分类特征的朴素贝叶斯分类器。 sklearn.naive_bayes
ComplementNB	Rennie et al. (2003) 中描述的 Complement Naive Bayes 分类器。 sklearn.naive_bayes
GaussianNB	高斯朴素贝叶斯 (GaussianNB)。 sklearn.naive_bayes
MultinomialNB	用于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 最近邻投票的分类器。 sklearn.neighbors
KNeighborsRegressor	基于 k 最近邻的回归。 sklearn.neighbors
KNeighborsTransformer	将 X 转换为 k 最近邻的（加权）图。 sklearn.neighbors
KernelDensity	核密度估计。 sklearn.neighbors
LocalOutlierFactor	使用局部异常因子 (LOF) 进行无监督异常值检测。 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	实现给定半径内邻居投票的分类器。 sklearn.neighbors
RadiusNeighborsRegressor	基于固定半径内邻居的回归。 sklearn.neighbors
RadiusNeighborsTransformer	将 X 转换为比半径更近的邻居的（加权）图。 sklearn.neighbors
kneighbors_graph	计算 X 中点的 k-Neighbors（加权）图。 sklearn.neighbors
radius_neighbors_graph	计算 X 中点的 Neighbors（加权）图。 sklearn.neighbors
sort_graph_by_row_values	对稀疏图进行排序，使每行以递增值存储。 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	具有可选最终预测器的数据转换器序列。 sklearn.pipeline
make_pipeline	从给定估算器构造一个 Pipeline。 sklearn.pipeline
make_union	从给定转换器构造一个 FeatureUnion。 sklearn.pipeline
Binarizer	根据阈值将数据二值化（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	将连续数据分成区间。 sklearn.preprocessing
KernelCenterer	中心化任意核矩阵 \(K\)。 sklearn.preprocessing
LabelBinarizer	以一对多方式将标签二值化。 sklearn.preprocessing
LabelEncoder	使用 0 到 n_classes-1 之间的值编码目标标签。 sklearn.preprocessing
MaxAbsScaler	按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	在可迭代对象和多标签格式之间转换。 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 one-hot 数字数组。 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	按特征应用幂转换以使数据更像高斯分布。 sklearn.preprocessing
QuantileTransformer	使用分位数信息转换特征。 sklearn.preprocessing
RobustScaler	使用对异常值鲁棒的统计量缩放特征。 sklearn.preprocessing
SplineTransformer	为特征生成单变量 B-样条基。 sklearn.preprocessing
StandardScaler	通过移除均值并缩放为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	使用额外的虚拟特征扩充数据集。 sklearn.preprocessing
binarize	数组类或 scipy.sparse 矩阵的布尔阈值处理。 sklearn.preprocessing
label_binarize	以一对多方式将标签二值化。 sklearn.preprocessing
maxabs_scale	将每个特征缩放到 [-1, 1] 范围而不破坏稀疏性。 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	将输入向量单独归一化为单位范数（向量长度）。 sklearn.preprocessing
power_transform	参数化、单调转换以使数据更像高斯分布。 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	查找要随机投影到的“安全”组件数。 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 的最低界限。 sklearn.svm
DecisionTreeClassifier	决策树分类器。 sklearn.tree
DecisionTreeRegressor	决策树回归器。 sklearn.tree
ExtraTreeClassifier	非常随机的树分类器。 sklearn.tree
ExtraTreeRegressor	非常随机的树回归器。 sklearn.tree
export_graphviz	以 DOT 格式导出决策树。 sklearn.tree
export_text	生成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	将数组类对象转换为浮点数数组。 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	构建估算器的 HTML 表示形式。 sklearn.utils
gen_batches	生成器，用于创建包含 batch_size 元素的从 0 到 n 的切片。 sklearn.utils
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
indexable	使数组可用于交叉验证的索引。 sklearn.utils
murmurhash3_32	计算 key 在 seed 上的 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	返回可安全用于 X 的掩码。 sklearn.utils
safe_sqr	数组类和稀疏矩阵的元素级平方。 sklearn.utils
shuffle	以一致的方式打乱数组或稀疏矩阵。 sklearn.utils
Tags	估算器的标签。 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	获取估算器标签。 sklearn.utils
check_X_y	标准估算器的输入验证。 sklearn.utils
check_array	对数组、列表、稀疏矩阵或类似对象的输入验证。 sklearn.utils
check_consistent_length	检查所有数组是否具有一致的第一维。 sklearn.utils
check_random_state	将种子转换为 np.random.RandomState 实例。 sklearn.utils
check_scalar	验证标量参数类型和值。 sklearn.utils
check_is_fitted	对估算器执行 is_fitted 验证。 sklearn.utils.validation
check_memory	检查 memory 是否类似 joblib.Memory。 sklearn.utils.validation
check_symmetric	确保数组是 2D、正方形和对称的。 sklearn.utils.validation
column_or_1d	展平列或 1d numpy 数组，否则引发错误。 sklearn.utils.validation
has_fit_parameter	检查估算器的 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名称和计数。 sklearn.utils.validation
available_if	仅当检查返回真值时才可用的属性。 sklearn.utils.metaestimators
compute_class_weight	估算不平衡数据集的类别权重。 sklearn.utils.class_weight
compute_sample_weight	估算不平衡数据集的按类别样本权重。 sklearn.utils.class_weight
is_multilabel	检查 y 是否采用多标签格式。 sklearn.utils.multiclass
type_of_target	确定目标指示的数据类型。 sklearn.utils.multiclass
unique_labels	提取唯一的有序标签数组。 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	沿 CSR 或 CSC 矩阵的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	沿 CSR 或 CSC 矩阵的轴计算均值和方差。 sklearn.utils.sparsefuncs
inplace_csr_row_normalize_l1	将 CSR 矩阵或数组的行就地归一化为 L1 范数。 sklearn.utils.sparsefuncs_fast
inplace_csr_row_normalize_l2	将 CSR 矩阵或数组的行就地归一化为 L2 范数。 sklearn.utils.sparsefuncs_fast
single_source_shortest_path_length	返回从源到所有可达节点的shortest path length。 sklearn.utils.graph
sample_without_replacement	不放回地抽取整数样本。 sklearn.utils.random
min_pos	查找数组中正值的最小值。 sklearn.utils.arrayfuncs
MetadataRequest	包含使用者的元数据请求信息。 sklearn.utils.metadata_routing
MetadataRouter	协调 router 对象的元数据路由。 sklearn.utils.metadata_routing
MethodMapping	存储 router 的调用者和被调用者方法之间的映射。 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	验证和路由元数据。 sklearn.utils.metadata_routing
all_displays	从 sklearn 获取所有显示列表。 sklearn.utils.discovery
all_estimators	从 sklearn 获取所有估算器列表。 sklearn.utils.discovery
all_functions	从 sklearn 获取所有函数列表。 sklearn.utils.discovery
check_estimator	检查估算器是否符合 scikit-learn 约定。 sklearn.utils.estimator_checks
parametrize_with_checks	用于参数化估算器检查的 pytest 特定装饰器。 sklearn.utils.estimator_checks
estimator_checks_generator	迭代地生成估算器的所有可调用检查。 sklearn.utils.estimator_checks
Parallel	joblib.Parallel 的调整版本，用于传播 scikit-learn 配置。 sklearn.utils.parallel
delayed	用于捕获函数参数的装饰器。 sklearn.utils.parallel