API Reference

這是 scikit-learn 的類別和函式參考。請參閱完整使用者指南以取得更多詳細資訊，因為類別和函式的原始規格可能不足以提供其使用上的完整指南。如需關於 API 中重複出現的概念的參考，請參閱常用詞彙和 API 元素的詞彙表。

物件	描述
config_context	用於全域 scikit-learn 設定的上下文管理器。 sklearn
get_config	檢索由 set_config 設定的目前配置值。 sklearn
set_config	設定全域 scikit-learn 配置。 sklearn
show_versions	印出有用的除錯資訊 sklearn
BaseEstimator	scikit-learn 中所有估計器的基底類別。 sklearn.base
BiclusterMixin	scikit-learn 中所有雙聚類估計器的混合類別。 sklearn.base
ClassNamePrefixFeaturesOutMixin	透過前綴產生自身名稱的轉換器的混合類別。 sklearn.base
ClassifierMixin	scikit-learn 中所有分類器的混合類別。 sklearn.base
ClusterMixin	scikit-learn 中所有叢集估計器的混合類別。 sklearn.base
DensityMixin	scikit-learn 中所有密度估計器的混合類別。 sklearn.base
MetaEstimatorMixin	scikit-learn 中所有元估計器的混合類別。 sklearn.base
OneToOneFeatureMixin	為簡單轉換器提供 get_feature_names_out。 sklearn.base
OutlierMixin	scikit-learn 中所有離群值偵測估計器的混合類別。 sklearn.base
RegressorMixin	scikit-learn 中所有迴歸估計器的混合類別。 sklearn.base
TransformerMixin	scikit-learn 中所有轉換器的混合類別。 sklearn.base
clone	使用相同的參數建構一個新的未擬合的估計器。 sklearn.base
is_classifier	如果給定的估計器（可能）是分類器，則返回 True。 sklearn.base
is_clusterer	如果給定的估計器（可能）是分群器，則返回 True。 sklearn.base
is_regressor	如果給定的估計器（可能）是迴歸器，則返回 True。 sklearn.base
is_outlier_detector	如果給定的估計器（可能）是離群值偵測器，則返回 True。 sklearn.base
CalibratedClassifierCV	使用等張迴歸或邏輯迴歸進行機率校準。 sklearn.calibration
calibration_curve	計算校準曲線的真實和預測機率。 sklearn.calibration
CalibrationDisplay	校準曲線（也稱為可靠性圖）視覺化。 sklearn.calibration
AffinityPropagation	對資料執行親和力傳播分群。 sklearn.cluster
AgglomerativeClustering	聚合分群。 sklearn.cluster
Birch	實作 BIRCH 分群演算法。 sklearn.cluster
BisectingKMeans	二分 K-Means 分群。 sklearn.cluster
DBSCAN	從向量陣列或距離矩陣執行 DBSCAN 分群。 sklearn.cluster
FeatureAgglomeration	聚合特徵。 sklearn.cluster
HDBSCAN	使用基於階層密度的分群來分群資料。 sklearn.cluster
KMeans	K-Means 分群。 sklearn.cluster
MeanShift	使用平坦核心進行均值漂移分群。 sklearn.cluster
MiniBatchKMeans	Mini-Batch K-Means 分群。 sklearn.cluster
OPTICS	從向量陣列估計分群結構。 sklearn.cluster
SpectralBiclustering	頻譜雙分群（Kluger, 2003）。 sklearn.cluster
SpectralClustering	將分群應用於正規化拉普拉斯算子的投影。 sklearn.cluster
SpectralCoclustering	頻譜共分群演算法（Dhillon, 2001）。 sklearn.cluster
affinity_propagation	對資料執行親和力傳播分群。 sklearn.cluster
cluster_optics_dbscan	對任意 epsilon 執行 DBSCAN 提取。 sklearn.cluster
cluster_optics_xi	根據 Xi 陡峭法自動提取叢集。 sklearn.cluster
compute_optics_graph	計算 OPTICS 可達性圖。 sklearn.cluster
dbscan	從向量陣列或距離矩陣執行 DBSCAN 分群。 sklearn.cluster
estimate_bandwidth	估計與均值漂移演算法一起使用的頻寬。 sklearn.cluster
k_means	執行 K-means 分群演算法。 sklearn.cluster
kmeans_plusplus	根據 k-means++ 初始化 n_clusters 個種子。 sklearn.cluster
mean_shift	使用平坦核心對資料執行均值漂移分群。 sklearn.cluster
spectral_clustering	將分群應用於正規化拉普拉斯算子的投影。 sklearn.cluster
ward_tree	基於特徵矩陣的 Ward 分群。 sklearn.cluster
ColumnTransformer	將轉換器應用於陣列或 pandas DataFrame 的列。 sklearn.compose
TransformedTargetRegressor	對轉換後的目標進行迴歸的元估計器。 sklearn.compose
make_column_selector	建立一個可呼叫的物件，用於選擇要使用的列 sklearn.compose
make_column_transformer	從給定的轉換器建構 ColumnTransformer。 sklearn.compose
EllipticEnvelope	用於偵測高斯分佈資料集中離群值的物件。 sklearn.covariance
EmpiricalCovariance	最大概似共變異數估計器。 sklearn.covariance
GraphicalLasso	具有 l1 懲罰估計器的稀疏逆共變異數估計。 sklearn.covariance
GraphicalLassoCV	使用交叉驗證選擇 l1 懲罰的稀疏逆共變異數。 sklearn.covariance
LedoitWolf	LedoitWolf 估計器。 sklearn.covariance
MinCovDet	最小共變異數行列式 (MCD)：共變異數的穩健估計器。 sklearn.covariance
OAS	神諭近似收縮估計器。 sklearn.covariance
ShrunkCovariance	具有收縮的共變異數估計器。 sklearn.covariance
empirical_covariance	計算最大概似共變異數估計器。 sklearn.covariance
graphical_lasso	L1 懲罰的共變異數估計器。 sklearn.covariance
ledoit_wolf	估計收縮的 Ledoit-Wolf 共變異數矩陣。 sklearn.covariance
ledoit_wolf_shrinkage	估計收縮的 Ledoit-Wolf 共變異數矩陣。 sklearn.covariance
oas	使用神諭近似收縮來估計共變異數。 sklearn.covariance
shrunk_covariance	計算對角線收縮的共變異數矩陣。 sklearn.covariance
CCA	典型相關分析，也稱為「模式 B」PLS。 sklearn.cross_decomposition
PLSCanonical	偏最小平方轉換器和迴歸器。 sklearn.cross_decomposition
PLSRegression	PLS 迴歸。 sklearn.cross_decomposition
PLSSVD	偏最小平方 SVD。 sklearn.cross_decomposition
clear_data_home	刪除資料主目錄快取中的所有內容。 sklearn.datasets
dump_svmlight_file	以 svmlight / libsvm 檔案格式轉儲資料集。 sklearn.datasets
fetch_20newsgroups	從 20 個新聞群組資料集（分類）載入檔案名稱和資料。 sklearn.datasets
fetch_20newsgroups_vectorized	載入並向量化 20 個新聞群組資料集（分類）。 sklearn.datasets
fetch_california_housing	載入加州房屋資料集（迴歸）。 sklearn.datasets
fetch_covtype	載入 covertype 資料集（分類）。 sklearn.datasets
fetch_file	如果本機資料夾中尚不存在，則從網路上取得檔案。 sklearn.datasets
fetch_kddcup99	載入 kddcup99 資料集（分類）。 sklearn.datasets
fetch_lfw_pairs	載入野外標記人臉 (LFW) 配對資料集（分類）。 sklearn.datasets
fetch_lfw_people	載入野外標記人臉 (LFW) 人員資料集（分類）。 sklearn.datasets
fetch_olivetti_faces	從 AT&T 載入 Olivetti 人臉資料集（分類）。 sklearn.datasets
fetch_openml	按名稱或資料集 ID 從 openml 取得資料集。 sklearn.datasets
fetch_rcv1	載入 RCV1 多標籤資料集（分類）。 sklearn.datasets
fetch_species_distributions	從 Phillips 等人（2006 年）載入物種分佈資料集。 sklearn.datasets
get_data_home	返回 scikit-learn 資料目錄的路徑。 sklearn.datasets
load_breast_cancer	載入並返回乳癌威斯康辛資料集（分類）。 sklearn.datasets
load_diabetes	載入並返回糖尿病資料集（迴歸）。 sklearn.datasets
load_digits	載入並返回數字資料集（分類）。 sklearn.datasets
load_files	載入以類別作為子資料夾名稱的文字檔。 sklearn.datasets
load_iris	載入並返回鳶尾花資料集（分類）。 sklearn.datasets
load_linnerud	載入並返回體能運動 Linnerud 資料集。 sklearn.datasets
load_sample_image	載入單一範例影像的 numpy 陣列。 sklearn.datasets
load_sample_images	載入用於影像處理的範例影像。 sklearn.datasets
load_svmlight_file	以 svmlight / libsvm 格式將資料集載入到稀疏 CSR 矩陣中。 sklearn.datasets
load_svmlight_files	從 SVMlight 格式的多個檔案載入資料集。 sklearn.datasets
load_wine	載入並返回葡萄酒資料集（分類）。 sklearn.datasets
make_biclusters	產生用於雙分群的常數區塊對角結構陣列。 sklearn.datasets
make_blobs	產生用於分群的同向高斯 blob。 sklearn.datasets
make_checkerboard	產生用於雙分群的具有區塊棋盤結構的陣列。 sklearn.datasets
make_circles	在 2d 中製作一個包含較小圓圈的大圓圈。 sklearn.datasets
make_classification	產生一個隨機的 n 類分類問題。 sklearn.datasets
make_friedman1	產生「Friedman #1」迴歸問題。 sklearn.datasets
make_friedman2	產生「Friedman #2」迴歸問題。 sklearn.datasets
make_friedman3	產生「Friedman #3」迴歸問題。 sklearn.datasets
make_gaussian_quantiles	產生同向高斯和按分位數標記樣本。 sklearn.datasets
make_hastie_10_2	產生用於 Hastie 等人 2009 年範例 10.2 中使用的二元分類資料。 sklearn.datasets
make_low_rank_matrix	產生一個具有鐘形奇異值的低階矩陣。 sklearn.datasets
make_moons	製作兩個交錯的半圓。 sklearn.datasets
make_multilabel_classification	產生一個隨機的多標籤分類問題。 sklearn.datasets
make_regression	產生一個隨機的迴歸問題。 sklearn.datasets
make_s_curve	產生一個 S 曲線資料集。 sklearn.datasets
make_sparse_coded_signal	產生一個信號作為字典元素的稀疏組合。 sklearn.datasets
make_sparse_spd_matrix	產生一個稀疏對稱正定矩陣。 sklearn.datasets
make_sparse_uncorrelated	產生一個具有稀疏不相關設計的隨機迴歸問題。 sklearn.datasets
make_spd_matrix	產生一個隨機的對稱正定矩陣。 sklearn.datasets
make_swiss_roll	產生一個瑞士捲資料集。 sklearn.datasets
DictionaryLearning	字典學習。 sklearn.decomposition
FactorAnalysis	因子分析 (FA)。 sklearn.decomposition
FastICA	FastICA：用於獨立成分分析的快速演算法。 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	具有線上變分貝氏演算法的潛在狄利克雷分配。 sklearn.decomposition
MiniBatchDictionaryLearning	Mini-batch 字典學習。 sklearn.decomposition
MiniBatchNMF	Mini-Batch 非負矩陣分解 (NMF)。 sklearn.decomposition
MiniBatchSparsePCA	Mini-batch 稀疏主成分分析。 sklearn.decomposition
NMF	非負矩陣分解 (NMF)。 sklearn.decomposition
PCA	主成分分析 (PCA)。 sklearn.decomposition
SparseCoder	稀疏編碼。 sklearn.decomposition
SparsePCA	稀疏主成分分析 (SparsePCA)。 sklearn.decomposition
TruncatedSVD	使用截斷 SVD（又稱 LSA）進行降維。 sklearn.decomposition
dict_learning	解決字典學習矩陣分解問題。 sklearn.decomposition
dict_learning_online	線上解決字典學習矩陣分解問題。 sklearn.decomposition
fastica	執行快速獨立成分分析。 sklearn.decomposition
non_negative_factorization	計算非負矩陣分解 (NMF)。 sklearn.decomposition
sparse_encode	稀疏編碼。 sklearn.decomposition
LinearDiscriminantAnalysis	線性判別分析。 sklearn.discriminant_analysis
QuadraticDiscriminantAnalysis	二次判別分析。 sklearn.discriminant_analysis
DummyClassifier	DummyClassifier 進行忽略輸入特徵的預測。 sklearn.dummy
DummyRegressor	使用簡單規則進行預測的迴歸器。 sklearn.dummy
AdaBoostClassifier	AdaBoost 分類器。 sklearn.ensemble
AdaBoostRegressor	AdaBoost 迴歸器。 sklearn.ensemble
BaggingClassifier	Bagging 分類器。 sklearn.ensemble
BaggingRegressor	Bagging 迴歸器。 sklearn.ensemble
ExtraTreesClassifier	額外樹狀分類器。 sklearn.ensemble
ExtraTreesRegressor	額外樹狀迴歸器。 sklearn.ensemble
GradientBoostingClassifier	用於分類的梯度提升。 sklearn.ensemble
GradientBoostingRegressor	用於迴歸的梯度提升。 sklearn.ensemble
HistGradientBoostingClassifier	基於長條圖的梯度提升分類樹。 sklearn.ensemble
HistGradientBoostingRegressor	基於長條圖的梯度提升迴歸樹。 sklearn.ensemble
IsolationForest	隔離森林演算法。 sklearn.ensemble
RandomForestClassifier	隨機森林分類器。 sklearn.ensemble
RandomForestRegressor	隨機森林迴歸器。 sklearn.ensemble
RandomTreesEmbedding	完全隨機樹的集成。 sklearn.ensemble
StackingClassifier	堆疊多個估計器，並以最終分類器作結。 sklearn.ensemble
StackingRegressor	堆疊多個估計器，並以最終迴歸器作結。 sklearn.ensemble
VotingClassifier	用於未擬合估計器的軟投票/多數決分類器。 sklearn.ensemble
VotingRegressor	用於未擬合估計器的預測投票迴歸器。 sklearn.ensemble
ConvergenceWarning	用於捕捉收斂問題的自訂警告。 sklearn.exceptions
DataConversionWarning	用於通知程式碼中發生的隱式資料轉換的警告。 sklearn.exceptions
DataDimensionalityWarning	用於通知資料維度潛在問題的自訂警告。 sklearn.exceptions
EfficiencyWarning	用於通知使用者計算效率不佳的警告。 sklearn.exceptions
FitFailedWarning	如果在擬合估計器時發生錯誤，則使用的警告類別。 sklearn.exceptions
InconsistentVersionWarning	當估計器以不一致的版本還原序列化時發出的警告。 sklearn.exceptions
NotFittedError	如果估計器在擬合前被使用，則引發的例外類別。 sklearn.exceptions
UndefinedMetricWarning	當度量無效時使用的警告。 sklearn.exceptions
EstimatorCheckFailedWarning	當來自常見測試的估計器檢查失敗時發出的警告。 sklearn.exceptions
enable_halving_search_cv	啟用連續減半搜尋估計器。 sklearn.experimental
enable_iterative_imputer	啟用 IterativeImputer。 sklearn.experimental
DictVectorizer	將特徵值映射列表轉換為向量。 sklearn.feature_extraction
FeatureHasher	實作特徵雜湊，又稱雜湊技巧。 sklearn.feature_extraction
PatchExtractor	從影像集合中提取圖塊。 sklearn.feature_extraction.image
extract_patches_2d	將 2D 影像重新塑形為圖塊集合。 sklearn.feature_extraction.image
grid_to_graph	像素到像素連接的圖形。 sklearn.feature_extraction.image
img_to_graph	像素到像素梯度連接的圖形。 sklearn.feature_extraction.image
reconstruct_from_patches_2d	從所有圖塊重建影像。 sklearn.feature_extraction.image
CountVectorizer	將文字文件集合轉換為詞符計數矩陣。 sklearn.feature_extraction.text
HashingVectorizer	將文字文件集合轉換為詞符出現次數矩陣。 sklearn.feature_extraction.text
TfidfTransformer	將計數矩陣轉換為標準化的 tf 或 tf-idf 表示法。 sklearn.feature_extraction.text
TfidfVectorizer	將原始文件集合轉換為 TF-IDF 特徵矩陣。 sklearn.feature_extraction.text
GenericUnivariateSelect	具有可設定策略的單變數特徵選擇器。 sklearn.feature_selection
RFE	使用遞迴特徵消除進行特徵排名。 sklearn.feature_selection
RFECV	使用交叉驗證進行遞迴特徵消除以選擇特徵。 sklearn.feature_selection
SelectFdr	篩選器：選取估計偽發現率的 p 值。 sklearn.feature_selection
SelectFpr	篩選器：根據 FPR 測試選取低於 alpha 的 p 值。 sklearn.feature_selection
SelectFromModel	用於根據重要性權重選取特徵的中繼轉換器。 sklearn.feature_selection
SelectFwe	篩選器：選取對應於 Family-wise 錯誤率的 p 值。 sklearn.feature_selection
SelectKBest	根據 k 個最高分數選取特徵。 sklearn.feature_selection
SelectPercentile	根據最高分數的百分位數選取特徵。 sklearn.feature_selection
SelectorMixin	執行特徵選擇（給定支援遮罩）的轉換器混合。 sklearn.feature_selection
SequentialFeatureSelector	執行序列特徵選擇的轉換器。 sklearn.feature_selection
VarianceThreshold	移除所有低變異數特徵的特徵選擇器。 sklearn.feature_selection
chi2	計算每個非負特徵和類別之間的卡方統計量。 sklearn.feature_selection
f_classif	計算提供樣本的 ANOVA F 值。 sklearn.feature_selection
f_regression	傳回 F 統計量和 p 值的單變數線性迴歸測試。 sklearn.feature_selection
mutual_info_classif	估計離散目標變數的互資訊。 sklearn.feature_selection
mutual_info_regression	估計連續目標變數的互資訊。 sklearn.feature_selection
r_regression	計算每個特徵和目標的皮爾森 r 值。 sklearn.feature_selection
FrozenEstimator	包裝擬合估計器以防止重新擬合的估計器。 sklearn.frozen
GaussianProcessClassifier	基於 Laplace 近似的 Gaussian process 分類 (GPC)。 sklearn.gaussian_process
GaussianProcessRegressor	Gaussian process 迴歸 (GPR)。 sklearn.gaussian_process
CompoundKernel	由一組其他核心組成的核心。 sklearn.gaussian_process.kernels
ConstantKernel	常數核心。 sklearn.gaussian_process.kernels
DotProduct	點積核心。 sklearn.gaussian_process.kernels
ExpSineSquared	Exp-Sine-Squared 核心（又稱週期性核心）。 sklearn.gaussian_process.kernels
Exponentiation	指數核心採用一個基礎核心和一個純量參數。 sklearn.gaussian_process.kernels
Hyperparameter	以 namedtuple 形式的核心超參數規格。 sklearn.gaussian_process.kernels
Kernel	所有核心的基礎類別。 sklearn.gaussian_process.kernels
Matern	Matern 核心。 sklearn.gaussian_process.kernels
PairwiseKernel	sklearn.metrics.pairwise 中核心的包裝器。 sklearn.gaussian_process.kernels
Product	Product 核心採用兩個核心 \(k_1\) 和 \(k_2\) sklearn.gaussian_process.kernels
RBF	徑向基底函數核心（又稱平方指數核心）。 sklearn.gaussian_process.kernels
RationalQuadratic	有理二次核心。 sklearn.gaussian_process.kernels
Sum	Sum 核心採用兩個核心 \(k_1\) 和 \(k_2\) sklearn.gaussian_process.kernels
WhiteKernel	白色核心。 sklearn.gaussian_process.kernels
IterativeImputer	從所有其他特徵估計每個特徵的多變數填補器。 sklearn.impute
KNNImputer	使用 k 最近鄰居完成遺失值的填補。 sklearn.impute
MissingIndicator	遺失值的二元指標。 sklearn.impute
SimpleImputer	使用簡單策略完成遺失值的單變數填補器。 sklearn.impute
partial_dependence	features 的部分依賴。 sklearn.inspection
permutation_importance	特徵評估的排列重要性 [Rd9e56ef97513-BRE]。 sklearn.inspection
DecisionBoundaryDisplay	決策邊界視覺化。 sklearn.inspection
PartialDependenceDisplay	部分依賴圖 (PDP)。 sklearn.inspection
IsotonicRegression	等張迴歸模型。 sklearn.isotonic
check_increasing	判斷 y 是否與 x 單調相關。 sklearn.isotonic
isotonic_regression	求解等張迴歸模型。 sklearn.isotonic
AdditiveChi2Sampler	附加 chi2 核心的近似特徵映射。 sklearn.kernel_approximation
Nystroem	使用訓練資料的子集近似核心映射。 sklearn.kernel_approximation
PolynomialCountSketch	透過 Tensor Sketch 近似多項式核心。 sklearn.kernel_approximation
RBFSampler	使用隨機傅立葉特徵近似 RBF 核心特徵映射。 sklearn.kernel_approximation
SkewedChi2Sampler	「偏斜卡方」核心的近似特徵映射。 sklearn.kernel_approximation
KernelRidge	核心嶺迴歸。 sklearn.kernel_ridge
LogisticRegression	邏輯迴歸（又稱 logit、MaxEnt）分類器。 sklearn.linear_model
LogisticRegressionCV	邏輯迴歸 CV（又稱 logit、MaxEnt）分類器。 sklearn.linear_model
PassiveAggressiveClassifier	被動攻擊分類器。 sklearn.linear_model
Perceptron	線性感知器分類器。 sklearn.linear_model
RidgeClassifier	使用嶺迴歸的分類器。 sklearn.linear_model
RidgeClassifierCV	具有內建交叉驗證的嶺分類器。 sklearn.linear_model
SGDClassifier	使用 SGD 訓練的線性分類器（SVM、邏輯迴歸等）。 sklearn.linear_model
SGDOneClassSVM	使用隨機梯度下降求解線性單類別 SVM。 sklearn.linear_model
LinearRegression	普通最小平方線性迴歸。 sklearn.linear_model
Ridge	具有 l2 正規化的線性最小平方。 sklearn.linear_model
RidgeCV	具有內建交叉驗證的嶺迴歸。 sklearn.linear_model
SGDRegressor	透過最小化帶有 SGD 的正規化經驗損失擬合的線性模型。 sklearn.linear_model
ElasticNet	具有組合 L1 和 L2 先驗作為正規化項的線性迴歸。 sklearn.linear_model
ElasticNetCV	沿著正規化路徑進行疊代擬合的 Elastic Net 模型。 sklearn.linear_model
Lars	最小角度迴歸模型，又稱 LAR。 sklearn.linear_model
LarsCV	交叉驗證的最小角度迴歸模型。 sklearn.linear_model
Lasso	以 L1 先驗作為正規化項訓練的線性模型（又稱 Lasso）。 sklearn.linear_model
LassoCV	沿著正規化路徑進行疊代擬合的 Lasso 線性模型。 sklearn.linear_model
LassoLars	使用最小角度迴歸（又稱 Lars）擬合的 Lasso 模型。 sklearn.linear_model
LassoLarsCV	使用 LARS 演算法進行交叉驗證的 Lasso。 sklearn.linear_model
LassoLarsIC	使用 Lars 擬合的 Lasso 模型，使用 BIC 或 AIC 進行模型選擇。 sklearn.linear_model
OrthogonalMatchingPursuit	正交匹配追蹤模型 (OMP)。 sklearn.linear_model
OrthogonalMatchingPursuitCV	交叉驗證的正交匹配追蹤模型 (OMP)。 sklearn.linear_model
ARDRegression	貝氏 ARD 迴歸。 sklearn.linear_model
BayesianRidge	貝氏嶺迴歸。 sklearn.linear_model
MultiTaskElasticNet	以 L1/L2 混合範數作為正規化項訓練的多任務 ElasticNet 模型。 sklearn.linear_model
MultiTaskElasticNetCV	具有內建交叉驗證的多任務 L1/L2 ElasticNet。 sklearn.linear_model
MultiTaskLasso	以 L1/L2 混合範數作為正規化項訓練的多任務 Lasso 模型。 sklearn.linear_model
MultiTaskLassoCV	以 L1/L2 混合範數作為正規化項訓練的多任務 Lasso 模型。 sklearn.linear_model
HuberRegressor	對離群值穩健的 L2 正規化線性迴歸模型。 sklearn.linear_model
QuantileRegressor	預測條件分位數的線性迴歸模型。 sklearn.linear_model
RANSACRegressor	RANSAC (RANdom SAmple Consensus) 演算法。 sklearn.linear_model
TheilSenRegressor	Theil-Sen 估計器：穩健的多變數迴歸模型。 sklearn.linear_model
GammaRegressor	具有伽瑪分佈的廣義線性模型。 sklearn.linear_model
PoissonRegressor	具有 Poisson 分佈的廣義線性模型。 sklearn.linear_model
TweedieRegressor	使用 Tweedie 分佈的廣義線性模型。 sklearn.linear_model
PassiveAggressiveRegressor	被動攻擊迴歸器。 sklearn.linear_model
enet_path	使用座標下降法計算彈性網格路徑。 sklearn.linear_model
lars_path	使用 LARS 演算法計算最小角度迴歸或 Lasso 路徑。 sklearn.linear_model
lars_path_gram	足夠統計模式下的 lars_path。 sklearn.linear_model
lasso_path	使用座標下降法計算 Lasso 路徑。 sklearn.linear_model
orthogonal_mp	正交匹配追蹤 (OMP)。 sklearn.linear_model
orthogonal_mp_gram	格拉姆正交匹配追蹤 (OMP)。 sklearn.linear_model
ridge_regression	用正規方程式的方法解嶺迴歸方程。 sklearn.linear_model
Isomap	等距映射嵌入。 sklearn.manifold
LocallyLinearEmbedding	局部線性嵌入。 sklearn.manifold
MDS	多維尺度分析。 sklearn.manifold
SpectralEmbedding	用於非線性降維的譜嵌入。 sklearn.manifold
TSNE	T 分佈隨機鄰近嵌入。 sklearn.manifold
locally_linear_embedding	對資料執行局部線性嵌入分析。 sklearn.manifold
smacof	使用 SMACOF 演算法計算多維尺度分析。 sklearn.manifold
spectral_embedding	將樣本投影到圖拉普拉斯算子的第一個特徵向量上。 sklearn.manifold
trustworthiness	指出局部結構保留的程度。 sklearn.manifold
check_scoring	從使用者選項確定評分器。 sklearn.metrics
get_scorer	從字串取得評分器。 sklearn.metrics
get_scorer_names	取得所有可用評分器的名稱。 sklearn.metrics
make_scorer	從效能指標或損失函數建立評分器。 sklearn.metrics
accuracy_score	準確度分類分數。 sklearn.metrics
auc	使用梯形法則計算曲線下面積 (AUC)。 sklearn.metrics
average_precision_score	從預測分數計算平均精確度 (AP)。 sklearn.metrics
balanced_accuracy_score	計算平衡準確度。 sklearn.metrics
brier_score_loss	計算布萊爾分數損失。 sklearn.metrics
class_likelihood_ratios	計算二元分類的陽性與陰性概似比。 sklearn.metrics
classification_report	建立顯示主要分類指標的文字報告。 sklearn.metrics
cohen_kappa_score	計算柯恩 Kappa 值：一種衡量評註者之間一致性的統計量。 sklearn.metrics
confusion_matrix	計算混淆矩陣以評估分類的準確性。 sklearn.metrics
d2_log_loss_score	\(D^2\) 分數函數，已解釋對數損失的比例。 sklearn.metrics
dcg_score	計算折扣累積增益。 sklearn.metrics
det_curve	計算不同機率閾值的錯誤率。 sklearn.metrics
f1_score	計算 F1 分數，也稱為平衡 F 分數或 F 測度。 sklearn.metrics
fbeta_score	計算 F-beta 分數。 sklearn.metrics
hamming_loss	計算平均漢明損失。 sklearn.metrics
hinge_loss	平均合頁損失（非正規化）。 sklearn.metrics
jaccard_score	傑卡德相似係數分數。 sklearn.metrics
log_loss	對數損失，又名邏輯損失或交叉熵損失。 sklearn.metrics
matthews_corrcoef	計算馬修斯相關係數 (MCC)。 sklearn.metrics
multilabel_confusion_matrix	計算每個類別或樣本的混淆矩陣。 sklearn.metrics
ndcg_score	計算正規化折扣累積增益。 sklearn.metrics
precision_recall_curve	計算不同機率閾值的精確度-召回率對。 sklearn.metrics
precision_recall_fscore_support	計算每個類別的精確度、召回率、F 測度和支持度。 sklearn.metrics
precision_score	計算精確度。 sklearn.metrics
recall_score	計算召回率。 sklearn.metrics
roc_auc_score	從預測分數計算接收者操作特徵曲線下面積 (ROC AUC)。 sklearn.metrics
roc_curve	計算接收者操作特徵 (ROC)。 sklearn.metrics
top_k_accuracy_score	前 k 名準確度分類分數。 sklearn.metrics
zero_one_loss	零一分類損失。 sklearn.metrics
d2_absolute_error_score	\(D^2\) 迴歸分數函數，已解釋絕對誤差的比例。 sklearn.metrics
d2_pinball_score	\(D^2\) 迴歸分數函數，已解釋釘球損失的比例。 sklearn.metrics
d2_tweedie_score	\(D^2\) 迴歸分數函數，已解釋 Tweedie 離差的比例。 sklearn.metrics
explained_variance_score	已解釋變異數迴歸分數函數。 sklearn.metrics
max_error	max_error 指標計算最大殘差誤差。 sklearn.metrics
mean_absolute_error	平均絕對誤差迴歸損失。 sklearn.metrics
mean_absolute_percentage_error	平均絕對百分比誤差 (MAPE) 迴歸損失。 sklearn.metrics
mean_gamma_deviance	平均伽瑪離差迴歸損失。 sklearn.metrics
mean_pinball_loss	分位數迴歸的釘球損失。 sklearn.metrics
mean_poisson_deviance	平均泊松離差迴歸損失。 sklearn.metrics
mean_squared_error	均方誤差迴歸損失。 sklearn.metrics
mean_squared_log_error	平均平方對數誤差迴歸損失。 sklearn.metrics
mean_tweedie_deviance	平均 Tweedie 離差迴歸損失。 sklearn.metrics
median_absolute_error	中位數絕對誤差迴歸損失。 sklearn.metrics
r2_score	\(R^2\) （決定係數）迴歸分數函數。 sklearn.metrics
root_mean_squared_error	均方根誤差迴歸損失。 sklearn.metrics
root_mean_squared_log_error	均方根對數誤差迴歸損失。 sklearn.metrics
coverage_error	覆蓋率誤差度量。 sklearn.metrics
label_ranking_average_precision_score	計算基於排序的平均精確度。 sklearn.metrics
label_ranking_loss	計算排序損失度量。 sklearn.metrics
adjusted_mutual_info_score	兩個群聚之間調整後的互資訊。 sklearn.metrics
adjusted_rand_score	針對機率調整的蘭德指數。 sklearn.metrics
calinski_harabasz_score	計算卡林斯基和哈拉巴斯分數。 sklearn.metrics
contingency_matrix	建立描述標籤之間關係的列聯表。 sklearn.metrics.cluster
pair_confusion_matrix	由兩個群聚產生的成對混淆矩陣。 sklearn.metrics.cluster
completeness_score	計算給定基本事實的群聚標記的完整性指標。 sklearn.metrics
davies_bouldin_score	計算戴維斯-鮑爾丁分數。 sklearn.metrics
fowlkes_mallows_score	衡量一組點的兩個群聚的相似性。 sklearn.metrics
homogeneity_completeness_v_measure	一次計算同質性、完整性和 V-Measure 分數。 sklearn.metrics
homogeneity_score	給定基本事實的群聚標記的同質性指標。 sklearn.metrics
mutual_info_score	兩個群聚之間的互資訊。 sklearn.metrics
normalized_mutual_info_score	兩個群聚之間的正規化互資訊。 sklearn.metrics
rand_score	蘭德指數。 sklearn.metrics
silhouette_samples	計算每個樣本的輪廓係數。 sklearn.metrics
silhouette_score	計算所有樣本的平均輪廓係數。 sklearn.metrics
v_measure_score	給定基本事實的 V-測度群聚標記。 sklearn.metrics
consensus_score	兩組雙聚類的相似性。 sklearn.metrics
DistanceMetric	快速距離度量函數的統一介面。 sklearn.metrics
additive_chi2_kernel	計算 X 和 Y 中觀察值之間的加性卡方核函數。 sklearn.metrics.pairwise
chi2_kernel	計算 X 和 Y 之間的指數卡方核函數。 sklearn.metrics.pairwise
cosine_distances	計算 X 和 Y 中樣本之間的餘弦距離。 sklearn.metrics.pairwise
cosine_similarity	計算 X 和 Y 中樣本之間的餘弦相似性。 sklearn.metrics.pairwise
distance_metrics	pairwise_distances 的有效指標。 sklearn.metrics.pairwise
euclidean_distances	計算向量陣列 X 和 Y 中每一對之間的距離矩陣。 sklearn.metrics.pairwise
haversine_distances	計算 X 和 Y 中樣本之間的半正矢距離。 sklearn.metrics.pairwise
kernel_metrics	pairwise_kernels 的有效指標。 sklearn.metrics.pairwise
laplacian_kernel	計算 X 和 Y 之間的拉普拉斯核函數。 sklearn.metrics.pairwise
linear_kernel	計算 X 和 Y 之間的線性核函數。 sklearn.metrics.pairwise
manhattan_distances	計算 X 和 Y 中向量之間的 L1 距離。 sklearn.metrics.pairwise
nan_euclidean_distances	計算存在遺失值時的歐幾里得距離。 sklearn.metrics.pairwise
paired_cosine_distances	計算 X 和 Y 之間的成對餘弦距離。 sklearn.metrics.pairwise
paired_distances	計算 X 和 Y 之間的成對距離。 sklearn.metrics.pairwise
paired_euclidean_distances	計算 X 和 Y 之間的成對歐幾里得距離。 sklearn.metrics.pairwise
paired_manhattan_distances	計算 X 和 Y 之間的成對 L1 距離。 sklearn.metrics.pairwise
pairwise_kernels	計算陣列 X 與可選陣列 Y 之間的核函數。 sklearn.metrics.pairwise
polynomial_kernel	計算 X 和 Y 之間的多項式核函數。 sklearn.metrics.pairwise
rbf_kernel	計算 X 和 Y 之間的 rbf (高斯) 核函數。 sklearn.metrics.pairwise
sigmoid_kernel	計算 X 和 Y 之間的 sigmoid 核函數。 sklearn.metrics.pairwise
pairwise_distances	計算向量陣列 X 和可選 Y 的距離矩陣。 sklearn.metrics
pairwise_distances_argmin	計算一個點與一組點之間的最小距離。 sklearn.metrics
pairwise_distances_argmin_min	計算一個點與一組點之間的最小距離。 sklearn.metrics
pairwise_distances_chunked	使用可選的縮減逐塊生成距離矩陣。 sklearn.metrics
ConfusionMatrixDisplay	混淆矩陣視覺化。 sklearn.metrics
DetCurveDisplay	DET 曲線視覺化。 sklearn.metrics
PrecisionRecallDisplay	精確度-召回率視覺化。 sklearn.metrics
PredictionErrorDisplay	迴歸模型預測誤差的視覺化。 sklearn.metrics
RocCurveDisplay	ROC 曲線視覺化。 sklearn.metrics
BayesianGaussianMixture	高斯混合的變分貝氏估計。 sklearn.mixture
GaussianMixture	高斯混合模型。 sklearn.mixture
GroupKFold	具有非重疊群組的 K 折疊迭代器變體。 sklearn.model_selection
GroupShuffleSplit	Shuffle-Group(s)-Out 交叉驗證迭代器。 sklearn.model_selection
KFold	K 折疊交叉驗證器。 sklearn.model_selection
LeaveOneGroupOut	留一組交叉驗證器。 sklearn.model_selection
LeaveOneOut	留一法交叉驗證器。 sklearn.model_selection
LeavePGroupsOut	留 P 組交叉驗證器。 sklearn.model_selection
LeavePOut	留 P 法交叉驗證器。 sklearn.model_selection
PredefinedSplit	預定義分割交叉驗證器。 sklearn.model_selection
RepeatedKFold	重複 K 折疊交叉驗證器。 sklearn.model_selection
RepeatedStratifiedKFold	重複分層 K 折疊交叉驗證器。 sklearn.model_selection
ShuffleSplit	隨機排列交叉驗證器。 sklearn.model_selection
StratifiedGroupKFold	具有非重疊群組的分層 K 折疊迭代器變體。 sklearn.model_selection
StratifiedKFold	分層 K 折疊交叉驗證器。 sklearn.model_selection
StratifiedShuffleSplit	分層 ShuffleSplit 交叉驗證器。 sklearn.model_selection
TimeSeriesSplit	時間序列交叉驗證器。 sklearn.model_selection
check_cv	用於建立交叉驗證器的輸入檢查工具。 sklearn.model_selection
train_test_split	將陣列或矩陣分割成隨機訓練和測試子集。 sklearn.model_selection
GridSearchCV	針對估算器在指定的參數值上進行窮舉搜尋。 sklearn.model_selection
HalvingGridSearchCV	使用連續減半法在指定的參數值上進行搜尋。 sklearn.model_selection
HalvingRandomSearchCV	在超參數上進行隨機搜尋。 sklearn.model_selection
ParameterGrid	參數網格，每個參數都具有離散數量的數值。 sklearn.model_selection
ParameterSampler	從給定分佈中採樣的參數產生器。 sklearn.model_selection
RandomizedSearchCV	在超參數上進行隨機搜尋。 sklearn.model_selection
FixedThresholdClassifier	手動設定決策閾值的二元分類器。 sklearn.model_selection
TunedThresholdClassifierCV	使用交叉驗證後調整決策閾值的分類器。 sklearn.model_selection
cross_val_predict	為每個輸入資料點產生交叉驗證的估計值。 sklearn.model_selection
cross_val_score	通過交叉驗證評估分數。 sklearn.model_selection
cross_validate	通過交叉驗證評估指標，並記錄擬合/評分時間。 sklearn.model_selection
learning_curve	學習曲線。 sklearn.model_selection
permutation_test_score	使用置換檢定評估交叉驗證分數的顯著性。 sklearn.model_selection
validation_curve	驗證曲線。 sklearn.model_selection
LearningCurveDisplay	學習曲線視覺化。 sklearn.model_selection
ValidationCurveDisplay	驗證曲線視覺化。 sklearn.model_selection
OneVsOneClassifier	一對一多類策略。 sklearn.multiclass
OneVsRestClassifier	一對多 (OvR) 多類策略。 sklearn.multiclass
OutputCodeClassifier	（錯誤校正）輸出碼多類策略。 sklearn.multiclass
ClassifierChain	將二元分類器排列成鏈的多標籤模型。 sklearn.multioutput
MultiOutputClassifier	多目標分類。 sklearn.multioutput
MultiOutputRegressor	多目標迴歸。 sklearn.multioutput
RegressorChain	將迴歸模型排列成鏈的多標籤模型。 sklearn.multioutput
BernoulliNB	用於多變量伯努利模型的樸素貝葉斯分類器。 sklearn.naive_bayes
CategoricalNB	用於類別特徵的樸素貝葉斯分類器。 sklearn.naive_bayes
ComplementNB	Rennie 等人 (2003) 中描述的互補樸素貝葉斯分類器。 sklearn.naive_bayes
GaussianNB	高斯樸素貝葉斯 (GaussianNB)。 sklearn.naive_bayes
MultinomialNB	用於多項式模型的樸素貝葉斯分類器。 sklearn.naive_bayes
BallTree	用於快速廣義 N 點問題的 BallTree。 sklearn.neighbors
KDTree	用於快速廣義 N 點問題的 KDTree。 sklearn.neighbors
KNeighborsClassifier	實作 k 近鄰投票的分類器。 sklearn.neighbors
KNeighborsRegressor	基於 k 近鄰的迴歸。 sklearn.neighbors
KNeighborsTransformer	將 X 轉換為 k 近鄰的（加權）圖形。 sklearn.neighbors
KernelDensity	核密度估計。 sklearn.neighbors
LocalOutlierFactor	使用局部離群因子 (LOF) 的無監督離群值檢測。 sklearn.neighbors
NearestCentroid	最近質心分類器。 sklearn.neighbors
NearestNeighbors	用於實作鄰近搜尋的無監督學習器。 sklearn.neighbors
NeighborhoodComponentsAnalysis	鄰域成分分析。 sklearn.neighbors
RadiusNeighborsClassifier	實作在給定半徑內鄰近投票的分類器。 sklearn.neighbors
RadiusNeighborsRegressor	基於固定半徑內鄰近的迴歸。 sklearn.neighbors
RadiusNeighborsTransformer	將 X 轉換為半徑小於特定值的鄰近（加權）圖形。 sklearn.neighbors
kneighbors_graph	計算 X 中點的 k 近鄰（加權）圖形。 sklearn.neighbors
radius_neighbors_graph	計算 X 中點的鄰近（加權）圖形。 sklearn.neighbors
sort_graph_by_row_values	排序稀疏圖，使每行都以遞增的值儲存。 sklearn.neighbors
BernoulliRBM	伯努利受限玻爾茲曼機 (RBM)。 sklearn.neural_network
MLPClassifier	多層感知器分類器。 sklearn.neural_network
MLPRegressor	多層感知器迴歸器。 sklearn.neural_network
FeatureUnion	串聯多個轉換器物件的結果。 sklearn.pipeline
Pipeline	具有可選最終預測器的資料轉換器序列。 sklearn.pipeline
make_pipeline	從給定的估算器建構 Pipeline。 sklearn.pipeline
make_union	從給定的轉換器建構 FeatureUnion。 sklearn.pipeline
Binarizer	根據閾值二值化資料（將特徵值設定為 0 或 1）。 sklearn.preprocessing
FunctionTransformer	從任意可呼叫對象建構轉換器。 sklearn.preprocessing
KBinsDiscretizer	將連續資料分組到間隔中。 sklearn.preprocessing
KernelCenterer	將任意核矩陣 \(K\) 置中。 sklearn.preprocessing
LabelBinarizer	以一對多方式二值化標籤。 sklearn.preprocessing
LabelEncoder	使用 0 到 n_classes-1 之間的值編碼目標標籤。 sklearn.preprocessing
MaxAbsScaler	將每個特徵縮放到其最大絕對值。 sklearn.preprocessing
MinMaxScaler	通過將每個特徵縮放到給定範圍來轉換特徵。 sklearn.preprocessing
MultiLabelBinarizer	在可迭代的迭代器和多標籤格式之間轉換。 sklearn.preprocessing
Normalizer	將樣本單獨正規化為單位範數。 sklearn.preprocessing
OneHotEncoder	將類別特徵編碼為獨熱數值陣列。 sklearn.preprocessing
OrdinalEncoder	將類別特徵編碼為整數陣列。 sklearn.preprocessing
PolynomialFeatures	產生多項式和交互特徵。 sklearn.preprocessing
PowerTransformer	逐個特徵應用冪轉換，使資料更像高斯分佈。 sklearn.preprocessing
QuantileTransformer	使用分位數資訊轉換特徵。 sklearn.preprocessing
RobustScaler	使用對離群值穩健的統計資訊來縮放特徵。 sklearn.preprocessing
SplineTransformer	為特徵產生單變數 B 樣條基底。 sklearn.preprocessing
StandardScaler	通過移除平均值並縮放到單位變異數來標準化特徵。 sklearn.preprocessing
TargetEncoder	用於迴歸和分類目標的目標編碼器。 sklearn.preprocessing
add_dummy_feature	使用額外的虛擬特徵來擴增資料集。 sklearn.preprocessing
binarize	類似陣列或 scipy.sparse 矩陣的布林閾值處理。 sklearn.preprocessing
label_binarize	以一對多方式二值化標籤。 sklearn.preprocessing
maxabs_scale	將每個特徵縮放到 [-1, 1] 範圍，而不會破壞稀疏性。 sklearn.preprocessing
minmax_scale	通過將每個特徵縮放到給定範圍來轉換特徵。 sklearn.preprocessing
normalize	將輸入向量個別縮放到單位範數（向量長度）。 sklearn.preprocessing
power_transform	用於使資料更像高斯分佈的參數化單調轉換。 sklearn.preprocessing
quantile_transform	使用分位數資訊轉換特徵。 sklearn.preprocessing
robust_scale	沿著任何軸標準化資料集。 sklearn.preprocessing
scale	沿著任何軸標準化資料集。 sklearn.preprocessing
GaussianRandomProjection	透過高斯隨機投影降低維度。 sklearn.random_projection
SparseRandomProjection	透過稀疏隨機投影降低維度。 sklearn.random_projection
johnson_lindenstrauss_min_dim	找到一個「安全」的組件數量以隨機投影到。 sklearn.random_projection
LabelPropagation	標籤傳播分類器。 sklearn.semi_supervised
LabelSpreading	用於半監督學習的標籤擴散模型。 sklearn.semi_supervised
SelfTrainingClassifier	自我訓練分類器。 sklearn.semi_supervised
LinearSVC	線性支援向量分類。 sklearn.svm
LinearSVR	線性支援向量迴歸。 sklearn.svm
NuSVC	Nu 支援向量分類。 sklearn.svm
NuSVR	Nu 支援向量迴歸。 sklearn.svm
OneClassSVM	無監督離群值檢測。 sklearn.svm
SVC	C 支援向量分類。 sklearn.svm
SVR	Epsilon 支援向量迴歸。 sklearn.svm
l1_min_c	傳回 C 的下限。 sklearn.svm
DecisionTreeClassifier	決策樹分類器。 sklearn.tree
DecisionTreeRegressor	決策樹迴歸器。 sklearn.tree
ExtraTreeClassifier	極度隨機樹分類器。 sklearn.tree
ExtraTreeRegressor	極度隨機樹迴歸器。 sklearn.tree
export_graphviz	以 DOT 格式匯出決策樹。 sklearn.tree
export_text	建立顯示決策樹規則的文字報告。 sklearn.tree
plot_tree	繪製決策樹。 sklearn.tree
Bunch	將鍵值公開為屬性的容器物件。 sklearn.utils
_safe_indexing	使用索引傳回 X 的列、項目或欄位。 sklearn.utils
as_float_array	將類似陣列的資料轉換為浮點數陣列。 sklearn.utils
assert_all_finite	如果 X 包含 NaN 或無窮大，則拋出 ValueError。 sklearn.utils
deprecated	將函數或類別標記為已棄用的裝飾器。 sklearn.utils
estimator_html_repr	建立估算器的 HTML 表示法。 sklearn.utils
gen_batches	產生器，用於建立包含從 0 到 n 的 batch_size 個元素的切片。 sklearn.utils
gen_even_slices	產生器，用於建立均勻間隔的 n_packs 個切片，直到 n。 sklearn.utils
indexable	使陣列可索引以進行交叉驗證。 sklearn.utils
murmurhash3_32	計算種子處的鍵的 32 位元 murmurhash3。 sklearn.utils
resample	以一致的方式重新採樣陣列或稀疏矩陣。 sklearn.utils
safe_mask	傳回可在 X 上安全使用的遮罩。 sklearn.utils
safe_sqr	類似陣列和稀疏矩陣的逐元素平方。 sklearn.utils
shuffle	以一致的方式隨機排列陣列或稀疏矩陣。 sklearn.utils
Tags	估算器的標籤。 sklearn.utils
InputTags	輸入資料的標籤。 sklearn.utils
TargetTags	目標資料的標籤。 sklearn.utils
ClassifierTags	分類器的標籤。 sklearn.utils
RegressorTags	迴歸器的標籤。 sklearn.utils
TransformerTags	轉換器的標籤。 sklearn.utils
get_tags	取得估算器標籤。 sklearn.utils
check_X_y	標準估算器的輸入驗證。 sklearn.utils
check_array	針對陣列、清單、稀疏矩陣或類似的輸入驗證。 sklearn.utils
check_consistent_length	檢查所有陣列是否具有一致的第一維度。 sklearn.utils
check_random_state	將種子轉換為 np.random.RandomState 實例。 sklearn.utils
check_scalar	驗證純量參數類型和值。 sklearn.utils
check_is_fitted	為估算器執行 is_fitted 驗證。 sklearn.utils.validation
check_memory	檢查 memory 是否類似 joblib.Memory。 sklearn.utils.validation
check_symmetric	確保陣列是 2D、正方形且對稱的。 sklearn.utils.validation
column_or_1d	攤平欄或 1d numpy 陣列，否則引發錯誤。 sklearn.utils.validation
has_fit_parameter	檢查估算器的 fit 方法是否支援給定的參數。 sklearn.utils.validation
validate_data	驗證輸入數據，並設定或檢查輸入的特徵名稱和計數。 sklearn.utils.validation
available_if	只有在檢查返回真值時才可用的屬性。 sklearn.utils.metaestimators
compute_class_weight	估計不平衡數據集的類別權重。 sklearn.utils.class_weight
compute_sample_weight	針對不平衡數據集，按類別估計樣本權重。 sklearn.utils.class_weight
is_multilabel	檢查 y 是否為多標籤格式。 sklearn.utils.multiclass
type_of_target	判斷目標所指示的數據類型。 sklearn.utils.multiclass
unique_labels	提取唯一的標籤的排序陣列。 sklearn.utils.multiclass
density	計算稀疏向量的密度。 sklearn.utils.extmath
fast_logdet	計算方陣行列式的對數。 sklearn.utils.extmath
randomized_range_finder	計算一個正交矩陣，其範圍近似於 A 的範圍。 sklearn.utils.extmath
randomized_svd	計算截斷的隨機 SVD。 sklearn.utils.extmath
safe_sparse_dot	正確處理稀疏矩陣情況的點積。 sklearn.utils.extmath
weighted_mode	返回傳遞陣列中加權眾數（最常見）值的陣列。 sklearn.utils.extmath
incr_mean_variance_axis	計算 CSR 或 CSC 矩陣沿軸的增量平均值和變異數。 sklearn.utils.sparsefuncs
inplace_column_scale	原地調整 CSC/CSR 矩陣的列縮放比例。 sklearn.utils.sparsefuncs
inplace_csr_column_scale	原地調整 CSR 矩陣的列縮放比例。 sklearn.utils.sparsefuncs
inplace_row_scale	原地調整 CSR 或 CSC 矩陣的列縮放比例。 sklearn.utils.sparsefuncs
inplace_swap_column	原地交換 CSC/CSR 矩陣的兩列。 sklearn.utils.sparsefuncs
inplace_swap_row	原地交換 CSC/CSR 矩陣的兩列。 sklearn.utils.sparsefuncs
mean_variance_axis	計算 CSR 或 CSC 矩陣沿軸的平均值和變異數。 sklearn.utils.sparsefuncs
inplace_csr_row_normalize_l1	原地將 CSR 矩陣或陣列的行按其 L1 範數歸一化。 sklearn.utils.sparsefuncs_fast
inplace_csr_row_normalize_l2	原地將 CSR 矩陣或陣列的行按其 L2 範數歸一化。 sklearn.utils.sparsefuncs_fast
single_source_shortest_path_length	返回從源點到所有可達節點的最短路徑長度。 sklearn.utils.graph
sample_without_replacement	不重複地抽取整數樣本。 sklearn.utils.random
min_pos	查找陣列中正值的最小值。 sklearn.utils.arrayfuncs
MetadataRequest	包含消費者的中繼資料請求資訊。 sklearn.utils.metadata_routing
MetadataRouter	儲存並處理路由器物件的中繼資料路由。 sklearn.utils.metadata_routing
MethodMapping	儲存路由器的呼叫者和被呼叫者方法之間的映射。 sklearn.utils.metadata_routing
get_routing_for_object	從給定物件取得 Metadata{Router, Request} 實例。 sklearn.utils.metadata_routing
process_routing	驗證並路由輸入參數。 sklearn.utils.metadata_routing
all_displays	從 sklearn 取得所有顯示的列表。 sklearn.utils.discovery
all_estimators	從 sklearn 取得所有估計器的列表。 sklearn.utils.discovery
all_functions	從 sklearn 取得所有函式的列表。 sklearn.utils.discovery
check_estimator	檢查估計器是否符合 scikit-learn 慣例。 sklearn.utils.estimator_checks
parametrize_with_checks	用於參數化估計器檢查的 Pytest 特定裝飾器。 sklearn.utils.estimator_checks
estimator_checks_generator	迭代產生估計器的所有檢查可呼叫物件。 sklearn.utils.estimator_checks
Parallel	joblib.Parallel 的調整，其會傳播 scikit-learn 配置。 sklearn.utils.parallel
delayed	用於捕獲函式參數的裝飾器。 sklearn.utils.parallel
parallel_backend	在 with 區塊內變更 Parallel 使用的預設後端。 sklearn.utils 在版本 1.7 中已棄用
register_parallel_backend	註冊新的 Parallel 後端工廠。 sklearn.utils 在版本 1.7 中已棄用