Section courante

A propos

Section administrative du site

Voici la liste des différentes API de classes et de fonctions reconnu par le langage de programmation de Scikit-Learn pour Python :

Classes de base

Syntaxe Description
base.BaseEstimator Cette classe contient les bases pour tous les estimateurs dans scikit-learn.
base.BaseEstimator Cette classe contient les bases pour tous les estimateurs dans scikit-learn.
base.BiclusterMixin Cette classe contient le Mixin pour tous les estimateurs bicluster de scikit-learn.
base.ClassifierMixin Cette classe contient le Mixin pour tous les classificateurs de scikit-learn.
base.ClusterMixin Cette classe contient le Mixin pour tous les estimateurs d'unité d'allocation dans scikit-learn.
base.DensityMixin Cette classe contient le Mixin pour tous les estimateurs de densité dans scikit-learn.
base.RegressorMixin Cette classe contient le Mixin pour tous les estimateurs de régression dans scikit-learn.
base.TransformerMixin Cette classe contient le Mixin pour tous les transformateurs de scikit-learn.

Les fonctions

Syntaxe Description
base.clone(estimator[, safe]) Cette fonction permet de construire un nouvel estimateur avec les mêmes paramètres.
base.is_classifier(estimator) Cette fonction permet de renvoyer la valeur True si l'estimateur donné est (probablement) un classificateur.
base.is_regressor(estimator) Cette fonction permet de retourner True si l'estimateur donné est (probablement) un régresseur.
config_context(\*\*new_config) Cette fonction permet d'indiquer le gestionnaire de contexte pour la configuration globale de scikit-learn.
get_config() Cette fonction permet de demander les valeurs actuelles pour la configuration définie par set_config.
set_config([assume_finite, working_memory, ...) Cette fonction permet de fixer la configuration globale de scikit-learn.
show_versions() Cette fonction permet d'afficher des informations utiles pour le débogage.

Étalonnage de probabilité (sklearn.calibration)

Syntaxe Description
calibration.CalibratedClassifierCV([...]) Cette méthode permet d'effectuer l'étalonnage de probabilité avec régression isotonique ou sigmoïde.
calibration.calibration_curve(y_true, y_prob) Cette méthode permet d'effectuer le calcule des probabilités vraies et prédites pour une courbe d'étalonnage.

Unité d'allocation (sklearn.cluster)

Les classes

Syntaxe Description
cluster.AffinityPropagation([damping, ...]) Cette classe permet d'effectuer une propagation par affinité d'unité d'allocation de données.
cluster.AgglomerativeClustering([...]) Cette classe contient l'unité d'allocation par agglomération.
cluster.Birch([threshold, branching_factor,...]) Cette classe contient l'intégration d'algorithme de classification de Birch.
cluster.DBSCAN([eps, min_samples, metric,...]) Cette classe permet d'effectuer la mise en unité d'allocation DBSCAN à partir d'un tableau de vecteurs ou d'une matrice de distance.
cluster.OPTICS([min_samples, max_eps,...]) Cette classe permet d'effectuer l'estimation de la structure d'unité d'allocation à partir d'un tableau de vecteurs.
cluster.FeatureAgglomeration([n_clusters,...]) Cette classe permet d'indiquer les entités agglomérées.
cluster.KMeans([n_clusters, init, n_init,...]) Cette classe permet d'indiquer l'unité d'allocation de K-Means.
cluster.MiniBatchKMeans([n_clusters, init,...]) Cette classe permet d'indiquer la mise en unité d'allocation par mini-lots K-Means.
cluster.MeanShift([bandwidth, seeds,...]) Cette classe permet d'indiquer l'unité d'allocation de décalage moyen utilisant un noyau plat.
cluster.SpectralClustering([n_clusters,...]) Cette classe permet d'appliquer la mise en unité d'allocation à une projection du Laplacien normalisé.

Les fonctions

Syntaxe Description
cluster.affinity_propagation(S[,...]) Cette fonction permet d'effectuer un regroupement de données par propagation d'affinité.
cluster.cluster_optics_dbscan(reachability, ...) Cette fonction permet d'effectuer l'extraction DBSCAN pour un epsilon arbitraire.
cluster.cluster_optics_xi(reachability,...) Cette fonction permet d'extraire automatiquement les unités d'allocation selon la méthode Xi-steep.
cluster.compute_optics_graph(X, min_samples,...) Cette fonction permet de calculer le graphique d'accessibilité OPTICS.
cluster.dbscan(X[, eps, min_samples,...]) Cette fonction permet d'effectuer la mise en unité d'allocation DBSCAN à partir d'un tableau de vecteurs ou d'une matrice de distance.
cluster.estimate_bandwidth(X[, quantile,...]) Cette fonction permet d'estimer la bande passante à utiliser avec l'algorithme de décalage moyen.
cluster.k_means(X, n_clusters[,...]) Cette fonction permet d'indiquer l'algorithme d'unité d'allocation K-moyennes.
cluster.mean_shift(X[, bandwidth, seeds,...]) Cette fonction permet d'effectuer un regroupement par décalage moyen des données à l'aide d'un noyau plat.
cluster.spectral_clustering(affinity[,...]) Cette fonction permet d'appliquer le regroupement à une projection du laplacien normalisé.
cluster.ward_tree(X[, connectivity,...]) Cette fonction permet d'indiquer une unité d'allocation de Ward selon une matrice d'entités.

Bi-unité d'allocation (sklearn.cluster.bicluster)

Syntaxe Description
SpectralBiclustering([n_clusters, method,...]) Cette classe contient un bi-unité d'allocation spectral (Kluger, 2003).
SpectralCoclustering([n_clusters, .]) Cette classe contient l'algorithme de co-unité d'allocation spectral (Dhillon, 2001).

Estimateurs composites (sklearn.compose)

Syntaxe Description
covariance.EmpiricalCovariance([...]) Cette classe contient l'estimateur de la covariance du maximum de vraisemblance.
covariance.EllipticEnvelope([...]) Cette classe contient l'objet permettant de détecter les valeurs aberrantes dans un jeu de données gaussien.
covariance.GraphicalLasso([alpha, mode,...]) Cette classe contient l'estimation de covariance inverse fragmentée avec un estimateur pénalisé par l1.
covariance.GraphicalLassoCV([alphas,...]) Cette classe contient la covariance inverse clairsemée avec choix croisé de la pénalité l1.
covariance.LedoitWolf([store_precision,...]) Cette classe contient l'estimateur LedoitWolf.
covariance.MinCovDet([store_precision,...]) Cette classe contient le déterminant de la covariance minimale (MCD): estimateur robuste de la covariance.
covariance.OAS([store_precision,...]) Cette classe contient l'estimateur de retrait approximatif Oracle.
covariance.ShrunkCovariance([...]) Cette classe contient l'estimateur de covariance avec retrait.
covariance.empirical_covariance(X[,...]) Cette classe contient le calcule l'estimateur de la covariance du maximum de vraisemblance.
covariance.graphical_lasso(emp_cov, alpha[,...]) Cette classe contient l'estimateur de covariance pénalisé par l1.
covariance.ledoit_wolf(X[, assume_centered,...]) Cette classe contient l'évaluateur de la matrice de covariance de Ledoit-Wolf rétrécie.
covariance.oas(X[, assume_centered]) Cette classe contient l'estimateur de la covariance à l'aide de l'algorithme Oracle Approximating Shrinkage.
covariance.shrunk_covariance(emp_cov[,...]) Cette classe contient le calcule d'une matrice de covariance réduite sur la diagonale.


Dernière mise à jour : Samedi, le 15 juin 2019