API参考

这是scikit-learn的类和功能参考。请参阅 full user guide 欲了解更多详细信息，因为类和函数的原始规范可能不足以为其使用提供完整的指导。有关API中重复的概念的参考，请参阅 常用术语和API元素词汇表 .

对象	描述
config_context	用于全球scikit-learn配置的上下文管理器。 sklearn
get_config	设置的配置的当前值 set_config . 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中所有估计器的基本类。 sklearn.base
BiclusterMixin	scikit-learn中所有双聚类估计器的混合类。 sklearn.base
ClassNamePrefixFeaturesOutMixin	Mixin类，用于通过添加后缀生成自己的名称的变形金刚。 sklearn.base
ClassifierMixin	Scikit-learn中所有分类器的Mixin类。 sklearn.base
ClusterMixin	scikit-learn中所有集群估计器的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Meta估计器的Mixin类。 sklearn.base
OneToOneFeatureMixin	提供 get_feature_names_out 对于简单的变压器。 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中所有变形金刚的Mixin课程。 sklearn.base
clone	用相同的参数构造一个新的非拟合估计量。 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）是集群器，则返回True。 sklearn.base
is_regressor	如果给定的估计量（可能）是回归量，则返回True。 sklearn.base
is_outlier_detector	如果给定的估计量（可能）是异常值检测器，则返回True。 sklearn.base
CalibratedClassifierCV	使用等张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	Calibration curve (also known as reliability diagram) visualization. sklearn.calibration
AffinityPropagation	执行数据的亲和力传播集群。 sklearn.cluster
AgglomerativeClustering	集聚聚集。 sklearn.cluster
Birch	实现BIRCH集群算法。 sklearn.cluster
BisectingKMeans	二分K均值集群。 sklearn.cluster
DBSCAN	根据向量数组或距离矩阵执行DBSCAN集群。 sklearn.cluster
FeatureAgglomeration	聚集特征。 sklearn.cluster
HDBSCAN	使用基于密度的分层集群对数据进行集群。 sklearn.cluster
KMeans	K-Means聚类 sklearn.cluster
MeanShift	使用平坦核的均值漂移集群。 sklearn.cluster
MiniBatchKMeans	小批量K均值集群。 sklearn.cluster
OPTICS	从载体数组估计集群结构。 sklearn.cluster
SpectralBiclustering	光谱双集群化（Kluger，2003）。 sklearn.cluster
SpectralClustering	将集群应用于规范化拉普拉斯的投影。 sklearn.cluster
SpectralCoclustering	光谱共聚类算法（Dhillon，2001）。 sklearn.cluster
affinity_propagation	执行数据的亲和力传播集群。 sklearn.cluster
cluster_optics_dbscan	对任意收件箱执行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	根据向量数组或距离矩阵执行DBSCAN集群。 sklearn.cluster
estimate_bandwidth	估计均值漂移算法使用的带宽。 sklearn.cluster
k_means	执行K-means集群算法。 sklearn.cluster
kmeans_plusplus	Init n_根据k均值++对种子进行集群。 sklearn.cluster
mean_shift	使用扁平核执行数据的均值漂移集群。 sklearn.cluster
spectral_clustering	将集群应用于规范化拉普拉斯的投影。 sklearn.cluster
ward_tree	基于特征矩阵的病房集群。 sklearn.cluster
ColumnTransformer	将转换器复制到数组或pandas DataFrame的列。 sklearn.compose
TransformedTargetRegressor	元估计器在转换后的目标上进行回归。 sklearn.compose
make_column_selector	创建一个可调用文件来选择要使用的列 sklearn.compose
make_column_transformer	从给定的变压器构造一个列变形器。 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量。 sklearn.covariance
GraphicalLasso	Sparse inverse covariance estimation with an l1-penalized estimator. sklearn.covariance
GraphicalLassoCV	稀疏逆协方差w/l1罚分的交叉验证选择。 sklearn.covariance
LedoitWolf	LedoitWolf估计。 sklearn.covariance
MinCovDet	最小协方差决定因素（MCB）：协方差的稳健估计量。 sklearn.covariance
OAS	Oracle近似收缩估计。 sklearn.covariance
ShrunkCovariance	具有收缩的协方差估计量。 sklearn.covariance
empirical_covariance	计算最大似然协方差估计量。 sklearn.covariance
graphical_lasso	L1-惩罚协方差估计量。 sklearn.covariance
ledoit_wolf	估计缩小的Ledoit-Wolf协方差矩阵。 sklearn.covariance
ledoit_wolf_shrinkage	估计缩小的Ledoit-Wolf协方差矩阵。 sklearn.covariance
oas	使用Oracle逼近收缩估计协方差。 sklearn.covariance
shrunk_covariance	计算对角线上缩小的协方差矩阵。 sklearn.covariance
CCA	典型相关分析，也称为“模式B”偏头痛。 sklearn.cross_decomposition
PLSCanonical	偏最小平方Transformer和回归器。 sklearn.cross_decomposition
PLSRegression	最大限度回归。 sklearn.cross_decomposition
PLSSVD	部分最小平方奇异值。 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	从20个新闻组数据集加载文件名和数据（分类）。 sklearn.datasets
fetch_20newsgroups_vectorized	加载并对20个新闻组数据集进行垂直化（分类）。 sklearn.datasets
fetch_california_housing	加载加州住房数据集（回归）。 sklearn.datasets
fetch_covtype	加载coverype数据集（分类）。 sklearn.datasets
fetch_file	如果本地文件夹中尚未存在，请从Web获取该文件。 sklearn.datasets
fetch_kddcup99	加载kddcup 99数据集（分类）。 sklearn.datasets
fetch_lfw_pairs	加载Wild中的标签面孔（LFW）配对数据集（分类）。 sklearn.datasets
fetch_lfw_people	加载野外标签面孔（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	通过名称或数据集id从openml中获取数据集。 sklearn.datasets
fetch_rcv1	加载RCV 1多标签数据集（分类）。 sklearn.datasets
fetch_species_distributions	Phillips et.物种分布数据集的加载器。等人（2006）。 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wisspel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	加载将类别作为子文件夹名称的文本文件。 sklearn.datasets
load_iris	加载并返回虹膜数据集（分类）。 sklearn.datasets
load_linnerud	加载并返回体育锻炼Linnerud数据集。 sklearn.datasets
load_sample_image	加载单个示例图像的numpy数组。 sklearn.datasets
load_sample_images	加载示例图像以进行图像处理。 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	以SVMlight格式从多个文件加载数据集。 sklearn.datasets
load_wine	Load and return the wine dataset (classification). sklearn.datasets
make_biclusters	生成用于双集群的恒定块对角线结构阵列。 sklearn.datasets
make_blobs	生成用于集群的各向同性高斯斑点。 sklearn.datasets
make_checkerboard	生成具有块棋盘结构的数组以进行双集群化。 sklearn.datasets
make_circles	在2D中创建一个包含一个较小圆的大圆。 sklearn.datasets
make_classification	生成随机n级分类问题。 sklearn.datasets
make_friedman1	生成“弗里德曼#1”回归问题。 sklearn.datasets
make_friedman2	生成“弗里德曼#2”回归问题。 sklearn.datasets
make_friedman3	生成“弗里德曼#3”回归问题。 sklearn.datasets
make_gaussian_quantiles	生成各向同性高斯并通过分位数标记样本。 sklearn.datasets
make_hastie_10_2	生成Hastie et al. 2009，Example 10.2中使用的二进制分类数据。 sklearn.datasets
make_low_rank_matrix	生成一个具有钟形奇异值的基本上低阶矩阵。 sklearn.datasets
make_moons	画两个交错的半圆。 sklearn.datasets
make_multilabel_classification	生成随机多标签分类问题。 sklearn.datasets
make_regression	生成随机回归问题。 sklearn.datasets
make_s_curve	生成S曲线数据集。 sklearn.datasets
make_sparse_coded_signal	Generate a signal as a sparse combination of dictionary elements. sklearn.datasets
make_sparse_spd_matrix	生成稀疏对称定正矩阵。 sklearn.datasets
make_sparse_uncorrelated	使用稀疏不相关设计生成随机回归问题。 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	Factor Analysis (FA). sklearn.decomposition
FastICA	FastICA：独立分量分析的快速算法。 sklearn.decomposition
IncrementalPCA	增量主成分分析（IPCA）。 sklearn.decomposition
KernelPCA	核心主成分分析（KPCA）。 sklearn.decomposition
LatentDirichletAllocation	采用在线变分Bayes算法的潜在Dirichlet分配。 sklearn.decomposition
MiniBatchDictionaryLearning	小批量词典学习。 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	使用截断的SVD（又名LSA）进行简化。 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	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	线性辨别分析。 sklearn.discriminant_analysis
QuadraticDiscriminantAnalysis	二次鉴别分析。 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	袋装分类器。 sklearn.ensemble
BaggingRegressor	巴格回归者。 sklearn.ensemble
ExtraTreesClassifier	一个额外的树分类器。 sklearn.ensemble
ExtraTreesRegressor	额外的树回归因子。 sklearn.ensemble
GradientBoostingClassifier	用于分类的梯度增强。 sklearn.ensemble
GradientBoostingRegressor	梯度提升回归。 sklearn.ensemble
HistGradientBoostingClassifier	基于柱状图的梯度增强分类树。 sklearn.ensemble
HistGradientBoostingRegressor	基于柱状图的梯度增强回归树。 sklearn.ensemble
IsolationForest	隔离森林算法。 sklearn.ensemble
RandomForestClassifier	随机森林分类器。 sklearn.ensemble
RandomForestRegressor	随机森林回归量。 sklearn.ensemble
RandomTreesEmbedding	完全随机的树的集合。 sklearn.ensemble
StackingClassifier	具有最终分类器的估计器堆栈。 sklearn.ensemble
StackingRegressor	具有最终回归量的估计量堆栈。 sklearn.ensemble
VotingClassifier	不适合估计量的软投票/多数规则分类器。 sklearn.ensemble
VotingRegressor	非拟合估计量的预测投票回归量。 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	自定义警告，以通知数据维度的潜在问题。 sklearn.exceptions
EfficiencyWarning	用于通知用户计算效率低下的警告。 sklearn.exceptions
FitFailedWarning	如果在拟合估计量时出现错误，则使用警告类。 sklearn.exceptions
InconsistentVersionWarning	当估计器用不一致的版本进行解picking时，会出现警告。 sklearn.exceptions
NotFittedError	如果在匹配之前使用估计量，则引发异常类。 sklearn.exceptions
UndefinedMetricWarning	当指标无效时使用警告 sklearn.exceptions
EstimatorCheckFailedWarning	当常见测试的估计器检查失败时，会发出警告。 sklearn.exceptions
enable_halving_search_cv	启用连续减半搜索估计器 sklearn.experimental
enable_iterative_imputer	启用迭代输入机 sklearn.experimental
DictVectorizer	Transforms lists of feature-value mappings to vectors. sklearn.feature_extraction
FeatureHasher	实现具有哈希功能，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表。 sklearn.feature_extraction.image
img_to_graph	像素到像素梯度连接的图形。 sklearn.feature_extraction.image
reconstruct_from_patches_2d	Reconstruct the image from all of its patches. sklearn.feature_extraction.image
CountVectorizer	将文本文档集合转换为令牌计数矩阵。 sklearn.feature_extraction.text
HashingVectorizer	将文本文档集合转换为标记出现的矩阵。 sklearn.feature_extraction.text
TfidfTransformer	将计数矩阵转换为规格化tf或tf-idf表示。 sklearn.feature_extraction.text
TfidfVectorizer	将原始文档集合转换为TF-IDF功能矩阵。 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	特征排名，具有循环特征消除。 sklearn.feature_selection
RFECV	通过交叉验证来选择特征的渐进特征消除。 sklearn.feature_selection
SelectFdr	筛选器：选择估计错误发现率的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	元转换器，用于根据重要性权重选择特征。 sklearn.feature_selection
SelectFwe	过滤器：选择与系列错误率对应的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功能。 sklearn.feature_selection
SelectorMixin	Transformer mixin，在给定支持屏蔽的情况下执行功能选择 sklearn.feature_selection
SequentialFeatureSelector	执行顺序特征选择的Transformer。 sklearn.feature_selection
VarianceThreshold	删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数据。 sklearn.feature_selection
f_classif	计算所提供样本的方差分析F值。 sklearn.feature_selection
f_regression	单变量线性回归测试返回F统计量和p值。 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 r。 sklearn.feature_selection
FrozenEstimator	包裹已匹配的估计器以防止重新匹配的估计器。 sklearn.frozen
GaussianProcessClassifier	基于拉普拉斯近似的高斯过程分类。 sklearn.gaussian_process
GaussianProcessRegressor	高斯过程回归（GPT）。 sklearn.gaussian_process
CompoundKernel	由一组其他内核组成的内核。 sklearn.gaussian_process.kernels
ConstantKernel	常数核。 sklearn.gaussian_process.kernels
DotProduct	点产品内核。 sklearn.gaussian_process.kernels
ExpSineSquared	Exp-Sine-Squared内核（又名周期内核）。 sklearn.gaussian_process.kernels
Exponentiation	Exponentiation内核接受一个基本内核和一个纯量参数 sklearn.gaussian_process.kernels
Hyperparameter	以命名字节形式的内核超参数规范。 sklearn.gaussian_process.kernels
Kernel	所有内核的Base Class。 sklearn.gaussian_process.kernels
Matern	Matern内核。 sklearn.gaussian_process.kernels
PairwiseKernel	sklearn.metrics.pairwise中的内核包装。 sklearn.gaussian_process.kernels
Product	的 Product 内核需要两个内核 \(k_1\) 和 \(k_2\) sklearn.gaussian_process.kernels
RBF	Radial basis function kernel (aka squared-exponential kernel). sklearn.gaussian_process.kernels
RationalQuadratic	有理二次核。 sklearn.gaussian_process.kernels
Sum	的 Sum 内核需要两个内核 \(k_1\) 和 \(k_2\) sklearn.gaussian_process.kernels
WhiteKernel	白核。 sklearn.gaussian_process.kernels
IterativeImputer	多元估算器，从所有其他特征中估计每个特征。 sklearn.impute
KNNImputer	使用k-最近邻居填补缺失值的插补。 sklearn.impute
MissingIndicator	缺失值的二进制指标。 sklearn.impute
SimpleImputer	Univariate imputer for completing missing values with simple strategies. sklearn.impute
partial_dependence	部分依赖 features . 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	部分依赖图（PDP）。 sklearn.inspection
IsotonicRegression	等张回归模型。 sklearn.isotonic
check_increasing	确定y是否与x单调相关。 sklearn.isotonic
isotonic_regression	求解等张回归模型。 sklearn.isotonic
AdditiveChi2Sampler	添加剂chi 2内核的大致特征图。 sklearn.kernel_approximation
Nystroem	使用训练数据的子集来逼近内核地图。 sklearn.kernel_approximation
PolynomialCountSketch	多项式核近似通过张量草图。 sklearn.kernel_approximation
RBFSampler	Approximate a RBF kernel feature map using random Fourier features. sklearn.kernel_approximation
SkewedChi2Sampler	“斜卡方”核的大致特征地图。 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	被动攻击性分类器。 sklearn.linear_model
Perceptron	Linear perceptron classifier. 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	线性分类器（支持者、逻辑回归等）接受新加坡元培训。 sklearn.linear_model
SGDOneClassSVM	使用随机梯度下降来求解线性一类支持者。 sklearn.linear_model
LinearRegression	普通最小平方线性回归。 sklearn.linear_model
Ridge	Linear least squares with l2 regularization. sklearn.linear_model
RidgeCV	具有内置交叉验证的岭回归。 sklearn.linear_model
SGDRegressor	线性模型通过最小化与新元的正规化经验损失来进行。 sklearn.linear_model
ElasticNet	以L1和L2先验组合作为正规化器的线性回归。 sklearn.linear_model
ElasticNetCV	弹性网络模型，沿着规则化路径迭代匹配。 sklearn.linear_model
Lars	最小角度回归模型，又名拉尔。 sklearn.linear_model
LarsCV	交叉验证的最小角回归模型。 sklearn.linear_model
Lasso	线性模型之前使用L1作为正规化器（又名Lasso）进行训练。 sklearn.linear_model
LassoCV	Lasso线性模型，沿着规则化路径迭代匹配。 sklearn.linear_model
LassoLars	Lasso模型与最小角度回归（又名最小角度回归）进行匹配拉斯。 sklearn.linear_model
LassoLarsCV	使用LARS算法交叉验证Lasso。 sklearn.linear_model
LassoLarsIC	Lasso模型与Lars匹配，使用BIC或AIC进行模型选择。 sklearn.linear_model
OrthogonalMatchingPursuit	垂直匹配追求模型（OMP）。 sklearn.linear_model
OrthogonalMatchingPursuitCV	交叉验证的垂直匹配追求模型（OMP）。 sklearn.linear_model
ARDRegression	Bayesian ARD回归。 sklearn.linear_model
BayesianRidge	贝氏岭回归。 sklearn.linear_model
MultiTaskElasticNet	多任务ElasticNet模型使用L1/L2混合规范作为正规化器进行训练。 sklearn.linear_model
MultiTaskElasticNetCV	多任务L1/L2 ElasticNet，内置交叉验证。 sklearn.linear_model
MultiTaskLasso	多任务Lasso模型使用L1/L2混合规范作为正规化器进行训练。 sklearn.linear_model
MultiTaskLassoCV	多任务Lasso模型使用L1/L2混合规范作为正规化器进行训练。 sklearn.linear_model
HuberRegressor	对异常值具有鲁棒性的L2正规化线性回归模型。 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) algorithm. sklearn.linear_model
TheilSenRegressor	Theil-Sen Estimate：稳健的多元回归模型。 sklearn.linear_model
GammaRegressor	具有伽玛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	被动侵略回归者。 sklearn.linear_model
enet_path	通过坐标下降计算弹性净路径。 sklearn.linear_model
lars_path	使用LARS算法计算最小角度回归或Lasso路径。 sklearn.linear_model
lars_path_gram	充足统计数据模式下的lars_track。 sklearn.linear_model
lasso_path	使用坐标下降计算Lasso路径。 sklearn.linear_model
orthogonal_mp	垂直匹配追求（OMP）。 sklearn.linear_model
orthogonal_mp_gram	革兰氏正匹配追求（OMP）。 sklearn.linear_model
ridge_regression	用法向方程的方法求解山脊方程。 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	Spectral embedding for non-linear dimensionality reduction. 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	将样本投影到拉普拉斯图的第一个特征向。 sklearn.manifold
trustworthiness	指定本地结构在多大程度上被保留。 sklearn.manifold
check_scoring	根据用户选项确定评分者。 sklearn.metrics
get_scorer	从字符串中获取得分手。 sklearn.metrics
get_scorer_names	获取所有可用得分者的姓名。 sklearn.metrics
make_scorer	根据性能指标或损失函数制作评分器。 sklearn.metrics
accuracy_score	准确性分类评分。 sklearn.metrics
auc	使用梯形规则计算曲线下面积（UC）。 sklearn.metrics
average_precision_score	根据预测分数计算平均精度（AP）。 sklearn.metrics
balanced_accuracy_score	计算平衡准确度。 sklearn.metrics
brier_score_loss	计算Brier得分损失。 sklearn.metrics
class_likelihood_ratios	计算二元分类正可能比和负可能比。 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：衡量注释者之间一致性的统计数据。 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	\(D^2\) 评分函数，对数损失的分数解释。 sklearn.metrics
dcg_score	计算贴现累积收益。 sklearn.metrics
det_curve	计算不同概率阈值的错误率。 sklearn.metrics
f1_score	计算F1评分，也称为平衡F评分或F测量。 sklearn.metrics
fbeta_score	计算F-beta评分。 sklearn.metrics
hamming_loss	计算平均海明损失。 sklearn.metrics
hinge_loss	平均铰链损失（非正规化）。 sklearn.metrics
jaccard_score	贾卡德相似性系数得分。 sklearn.metrics
log_loss	日志损失，又名物流损失或交叉熵损失。 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	计算归一化贴现累积增益。 sklearn.metrics
precision_recall_curve	Compute precision-recall pairs for different probability thresholds. sklearn.metrics
precision_recall_fscore_support	计算每个类的精确度、召回率、F-测度和支持度。 sklearn.metrics
precision_score	计算精度。 sklearn.metrics
recall_score	计算召回。 sklearn.metrics
roc_auc_score	计算受试者工作特征曲线下面积（ROC AUC） 来自预测分数。 sklearn.metrics
roc_curve	计算受试者工作特征（ROC）。 sklearn.metrics
top_k_accuracy_score	Top-k准确性分类得分。 sklearn.metrics
zero_one_loss	零级损失。 sklearn.metrics
d2_absolute_error_score	\(D^2\) 回归评分函数，绝对误差分数解释。 sklearn.metrics
d2_pinball_score	\(D^2\) 回归评分函数，弹球损失的比例解释。 sklearn.metrics
d2_tweedie_score	\(D^2\) 回归评分函数，解释了Tweedie偏差的分数。 sklearn.metrics
explained_variance_score	解释了方差回归得分函数。 sklearn.metrics
max_error	max_oss指标计算最大残余误差。 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	平均伽玛偏差回归损失。 sklearn.metrics
mean_pinball_loss	分位数回归的弹球损失。 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）回归评分函数。 sklearn.metrics
root_mean_squared_error	均方误差回归损失。 sklearn.metrics
root_mean_squared_log_error	平方根对数误差回归损失。 sklearn.metrics
coverage_error	覆盖误差测量。 sklearn.metrics
label_ranking_average_precision_score	计算基于排名的平均精度。 sklearn.metrics
label_ranking_loss	计算排名损失测量。 sklearn.metrics
adjusted_mutual_info_score	调整后的两个集群之间的互信息。 sklearn.metrics
adjusted_rand_score	兰德指数根据机会进行调整。 sklearn.metrics
calinski_harabasz_score	Compute the Calinski and Harabasz score. sklearn.metrics
contingency_matrix	构建描述标签之间关系的权宜矩阵。 sklearn.metrics.cluster
pair_confusion_matrix	由两个集群产生的配对混淆矩阵。 sklearn.metrics.cluster
completeness_score	在给定基本事实的情况下计算集群标签的完整性度量。 sklearn.metrics
davies_bouldin_score	计算Davies-Bouldin分数。 sklearn.metrics
fowlkes_mallows_score	测量一组点的两个集群的相似性。 sklearn.metrics
homogeneity_completeness_v_measure	立即计算均匀性、完整性以及V测量分数。 sklearn.metrics
homogeneity_score	给定基本事实的集群标签的均匀性度量。 sklearn.metrics
mutual_info_score	两个集群之间的互信息。 sklearn.metrics
normalized_mutual_info_score	两个集群之间的标准化互信息。 sklearn.metrics
rand_score	兰德指数。 sklearn.metrics
silhouette_samples	Compute the Silhouette Coefficient for each sample. sklearn.metrics
silhouette_score	计算所有样本的平均轮廓系数。 sklearn.metrics
v_measure_score	给定基本事实的V测量集群标记。 sklearn.metrics
consensus_score	两组双集群的相似性。 sklearn.metrics
DistanceMetric	快速距离度量功能的统一接口。 sklearn.metrics
additive_chi2_kernel	计算X和Y中观察值之间的加性卡方核。 sklearn.metrics.pairwise
chi2_kernel	Compute the exponential chi-squared kernel between X and Y. sklearn.metrics.pairwise
cosine_distances	计算X和Y中样本之间的cos距离。 sklearn.metrics.pairwise
cosine_similarity	计算X和Y中样本之间的cos相似度。 sklearn.metrics.pairwise
distance_metrics	pairwise_distinctions的有效指标。 sklearn.metrics.pairwise
euclidean_distances	根据一个矩阵X和Y计算每对之间的距离矩阵。 sklearn.metrics.pairwise
haversine_distances	计算X和Y中样本之间的半轴距离。 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中的载体之间的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之间的成对cos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之间的内核。 sklearn.metrics.pairwise
polynomial_kernel	Compute the polynomial kernel between X and Y. 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	根据一个矩阵X和可选的Y计算距离矩阵。 sklearn.metrics
pairwise_distances_argmin	计算一个点和一组点之间的最小距离。 sklearn.metrics
pairwise_distances_argmin_min	计算一个点和一组点之间的最小距离。 sklearn.metrics
pairwise_distances_chunked	逐块生成距离矩阵，并可选择简化。 sklearn.metrics
ConfusionMatrixDisplay	混乱矩阵可视化。 sklearn.metrics
DetCurveDisplay	DET曲线可视化。 sklearn.metrics
PrecisionRecallDisplay	精确召回可视化。 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	高斯混合物的变分Bayesian估计。 sklearn.mixture
GaussianMixture	高斯混合。 sklearn.mixture
GroupKFold	具有非重叠组的K折叠迭代器变体。 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 cross-validator. sklearn.model_selection
LeaveOneOut	留一出交叉验证器。 sklearn.model_selection
LeavePGroupsOut	将P Group排除在外交叉验证器。 sklearn.model_selection
LeavePOut	Leave-P-Out交叉验证器。 sklearn.model_selection
PredefinedSplit	预定义的分割交叉验证程序。 sklearn.model_selection
RepeatedKFold	重复K折交叉验证器。 sklearn.model_selection
RepeatedStratifiedKFold	重复分层K折叠交叉验证器。 sklearn.model_selection
ShuffleSplit	随机排列交叉验证器。 sklearn.model_selection
StratifiedGroupKFold	分层K-Fold迭代器变体，具有非重叠组。 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器实用程序。 sklearn.model_selection
train_test_split	将数组或矩阵拆分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详尽搜索。 sklearn.model_selection
HalvingGridSearchCV	通过连续减半搜索指定的参数值。 sklearn.model_selection
HalvingRandomSearchCV	随机搜索超参数。 sklearn.model_selection
ParameterGrid	参数网格，每个参数都有离散数量的值。 sklearn.model_selection
ParameterSampler	从给定分布中采样的参数生成器。 sklearn.model_selection
RandomizedSearchCV	随机搜索超参数。 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	Generate cross-validated estimates for each input data point. 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，并记录适合/评分时间。 sklearn.model_selection
learning_curve	学习曲线。 sklearn.model_selection
permutation_test_score	评估交叉验证评分与排列的显著性。 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	一对一的多类策略。 sklearn.multiclass
OneVsRestClassifier	一对其余（OvR）多类策略。 sklearn.multiclass
OutputCodeClassifier	（错误更正）输出代码多类策略。 sklearn.multiclass
ClassifierChain	一个多标签模型，将二进制分类器排列成一个链。 sklearn.multioutput
MultiOutputClassifier	多目标分类。 sklearn.multioutput
MultiOutputRegressor	多目标回归。 sklearn.multioutput
RegressorChain	将回归安排到链中的多标签模型。 sklearn.multioutput
BernoulliNB	多元伯努里模型的朴素Bayes分类器。 sklearn.naive_bayes
CategoricalNB	类别特征的朴素Bayes分类器。 sklearn.naive_bayes
ComplementNB	Rennie等人（2003）中描述的互补朴素贝叶斯分类器。 sklearn.naive_bayes
GaussianNB	高斯朴素的Bayes（GaussianNB）。 sklearn.naive_bayes
MultinomialNB	用于多项模型的朴素Bayes分类器。 sklearn.naive_bayes
BallTree	快速广义N点问题的BallTree算法 sklearn.neighbors
KDTree	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个最近邻居的（加权）图。 sklearn.neighbors
KernelDensity	核密度估计。 sklearn.neighbors
LocalOutlierFactor	使用本地异常值因子（LOF）进行无监督异常值检测。 sklearn.neighbors
NearestCentroid	最近的重心分类器。 sklearn.neighbors
NearestNeighbors	用于实施邻居搜索的无监督学习器。 sklearn.neighbors
NeighborhoodComponentsAnalysis	邻里要素分析。 sklearn.neighbors
RadiusNeighborsClassifier	在给定半径内的邻居之间实现投票的分类器。 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-邻居的（加权）图。 sklearn.neighbors
radius_neighbors_graph	计算X中点的邻居的（加权）图。 sklearn.neighbors
sort_graph_by_row_values	对稀疏图进行排序，以使每一行的值都增加。 sklearn.neighbors
BernoulliRBM	Bernoulli Restricted Boltzmann Machine (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	级联多个Transformer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	构建 Pipeline 来自给定的估计者。 sklearn.pipeline
make_union	构建 FeatureUnion 来自给定的变压器。 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Transformer。 sklearn.preprocessing
KBinsDiscretizer	将连续数据放入时间间隔中。 sklearn.preprocessing
KernelCenterer	将任意核矩阵置于中心 \(K\) . sklearn.preprocessing
LabelBinarizer	以one-vs-all的方式二进制化标签。 sklearn.preprocessing
LabelEncoder	使用0和n_classes-1之间的值对目标标签进行编码。 sklearn.preprocessing
MaxAbsScaler	按每个要素的最大绝对值缩放。 sklearn.preprocessing
MinMaxScaler	通过将每个特征缩放到给定范围来变换特征。 sklearn.preprocessing
MultiLabelBinarizer	在可迭代项和多标签格式之间转换。 sklearn.preprocessing
Normalizer	将样本单独标准化至单位规范。 sklearn.preprocessing
OneHotEncoder	将类别功能编码为一热数字数组。 sklearn.preprocessing
OrdinalEncoder	将类别特征编码为一个整元数组。 sklearn.preprocessing
PolynomialFeatures	生成多项和交互功能。 sklearn.preprocessing
PowerTransformer	按特征应用幂变换以使数据更像高斯。 sklearn.preprocessing
QuantileTransformer	使用分位数信息变换要素。 sklearn.preprocessing
RobustScaler	使用对离群值具有鲁棒性的统计数据来缩放特征。 sklearn.preprocessing
SplineTransformer	为特征生成一元B样条基。 sklearn.preprocessing
StandardScaler	通过删除均值并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目标编码器。 sklearn.preprocessing
add_dummy_feature	使用额外的虚拟功能来增强数据集。 sklearn.preprocessing
binarize	类数组或scipy.稀疏矩阵的布尔阈值化。 sklearn.preprocessing
label_binarize	以one-vs-all的方式二进制化标签。 sklearn.preprocessing
maxabs_scale	将每个功能扩展到 [-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变换特征。 sklearn.preprocessing
normalize	Scale input vectors individually to unit norm (vector length). sklearn.preprocessing
power_transform	参数单调变换使数据更加类似高斯。 sklearn.preprocessing
quantile_transform	使用分位数信息变换要素。 sklearn.preprocessing
robust_scale	标准化沿着任何轴的数据集。 sklearn.preprocessing
scale	标准化沿着任何轴的数据集。 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“安全”数量的组件来随机投影。 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	线性支持向量回归机 sklearn.svm
NuSVC	NU-支持向量分类。 sklearn.svm
NuSVR	Nu支持载体回归。 sklearn.svm
OneClassSVM	无监督离群点检测。 sklearn.svm
SVC	C-支持载体分类。 sklearn.svm
SVR	Epsilon-支持向量回归。 sklearn.svm
l1_min_c	返回C的下限。 sklearn.svm
DecisionTreeClassifier	决策树分类器。 sklearn.tree
DecisionTreeRegressor	决策树回归器。 sklearn.tree
ExtraTreeClassifier	一个极其随机的树分类器。 sklearn.tree
ExtraTreeRegressor	一个极其随机的树回归器。 sklearn.tree
export_graphviz	以DOT格式输出决策树。 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	容器对象将关键字公开为属性。 sklearn.utils
_safe_indexing	使用索引返回X的行、项或列。 sklearn.utils
as_float_array	Convert an array-like to an array of floats. sklearn.utils
assert_all_finite	如果X包含NaN或无穷大，则抛出ValueHelp。 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	生成器创建包含的切片 batch_size 从0到 n . sklearn.utils
gen_even_slices	Generator to create n_packs evenly spaced slices going up to n. sklearn.utils
indexable	使数组可索引以进行交叉验证。 sklearn.utils
murmurhash3_32	计算种子处密钥的32位murmurhash 3。 sklearn.utils
resample	以一致的方式重新采样数组或稀疏矩阵。 sklearn.utils
safe_mask	退回X上可以安全使用的口罩。 sklearn.utils
safe_sqr	类数组和稀疏矩阵的逐元素平方。 sklearn.utils
shuffle	以一致的方式洗牌数组或稀疏矩阵。 sklearn.utils
Tags	估算者的标签。 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	Tags for the regressor. sklearn.utils
TransformerTags	Transformer的标签。 sklearn.utils
get_tags	获取估计器标签。 sklearn.utils
check_X_y	标准估计量的输入验证。 sklearn.utils
check_array	数组、列表、稀疏矩阵或类似矩阵上的输入验证。 sklearn.utils
check_consistent_length	检查所有阵列是否具有一致的第一维度。 sklearn.utils
check_random_state	将种子转换为NP.random.RandomState实例。 sklearn.utils
check_scalar	指定纯量参数类型和值。 sklearn.utils
check_is_fitted	执行估计量的拟合验证。 sklearn.utils.validation
check_memory	检查 memory 是滑稽的。记忆般的。 sklearn.utils.validation
check_symmetric	确保阵列是2D、方形且对称的。 sklearn.utils.validation
column_or_1d	Ravel列或1d numpy数组，否则会引发错误。 sklearn.utils.validation
has_fit_parameter	检查估计器的匹配方法是否支持给定参数。 sklearn.utils.validation
validate_data	卸载输入数据并设置或检查输入的要素名称和计数。 sklearn.utils.validation
available_if	仅在check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权重。 sklearn.utils.class_weight
compute_sample_weight	按类别估计不平衡数据集的样本权重。 sklearn.utils.class_weight
is_multilabel	检查是否 y 是多标签格式。 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	计算方形矩阵的分母的对数。 sklearn.utils.extmath
randomized_range_finder	计算一个范围接近A范围的标准正交矩阵。 sklearn.utils.extmath
randomized_svd	计算截短的随机MVD。 sklearn.utils.extmath
safe_sparse_dot	正确处理稀疏矩阵情况的点积。 sklearn.utils.extmath
weighted_mode	返回传递的数组中的加权模态（最常见）值的数组。 sklearn.utils.extmath
incr_mean_variance_axis	计算CSR或CSC矩阵上沿轴的增量平均值和方差。 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矩阵的就地行扩展。 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	计算CSR或CSC矩阵上轴的均值和方差。 sklearn.utils.sparsefuncs
inplace_csr_row_normalize_l1	Normalize inplace the rows of a CSR matrix or array by their L1 norm. sklearn.utils.sparsefuncs_fast
inplace_csr_row_normalize_l2	通过L2规范对CSR矩阵或数组的行进行规范化。 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	不带替换的示例整数。 sklearn.utils.random
min_pos	找到数组的最小值超过正值。 sklearn.utils.arrayfuncs
MetadataRequest	包含消费者的元数据请求信息。 sklearn.utils.metadata_routing
MetadataRouter	存储和处理路由器对象的元数据路由。 sklearn.utils.metadata_routing
MethodMapping	存储路由器的调用方和被调用方方法之间的映射。 sklearn.utils.metadata_routing
get_routing_for_object	得到一个 Metadata{Router, Request} 来自给定对象的实例。 sklearn.utils.metadata_routing
process_routing	收件箱和路线输入参数。 sklearn.utils.metadata_routing
all_displays	从获取所有显示器的列表 sklearn . sklearn.utils.discovery
all_estimators	从以下获取所有估计器的列表 sklearn . sklearn.utils.discovery
all_functions	获取所有函数的列表， sklearn . sklearn.utils.discovery
check_estimator	检查估计器是否遵守scikit-learn惯例。 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	迭代生成估计器的所有可调用检查。 sklearn.utils.estimator_checks
Parallel	削弱的 joblib.Parallel 传播scikit-learn配置。 sklearn.utils.parallel
delayed	装饰器用于捕获函数的参数。 sklearn.utils.parallel