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