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