API Reference

This is the class and function reference of scikit-learn. Please refer to the full user guide for further details, as the raw specifications of classes and functions may not be enough to give full guidelines on their uses. For reference on concepts repeated across the API, see 常用术语和API元素词汇表.

Object	Description
config_context	上下文管理器用于全局scikit-learn配置。 sklearn
get_config	获取由 set_config 设置的配置的当前值。 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	基类，适用于scikit-learn中的所有估计器。 sklearn.base
BiclusterMixin	Mixin类用于scikit-learn中的所有双聚类估计器。 sklearn.base
ClassNamePrefixFeaturesOutMixin	Mixin类用于通过前缀生成自己的名称的转换器。 sklearn.base
ClassifierMixin	Mixin类用于scikit-learn中的所有分类器。 sklearn.base
ClusterMixin	Mixin类用于scikit-learn中的所有聚类估计器。 sklearn.base
DensityMixin	Mixin类用于scikit-learn中的所有密度估计器。 sklearn.base
MetaEstimatorMixin	Mixin类用于scikit-learn中的所有元估计器。 sklearn.base
OneToOneFeatureMixin	提供 get_feature_names_out 用于简单的转换器。 sklearn.base
OutlierMixin	Mixin类用于scikit-learn中的所有异常检测估计器。 sklearn.base
RegressorMixin	Mixin类用于scikit-learn中的所有回归估计器。 sklearn.base
TransformerMixin	Mixin类用于scikit-learn中的所有转换器。 sklearn.base
clone	构造一个具有相同参数的新未拟合估计器。 sklearn.base
is_classifier	返回True如果给定的估计器是一个（可能的）分类器。 sklearn.base
is_clusterer	返回True如果给定的估计器是一个（可能的）聚类器。 sklearn.base
is_regressor	返回True如果给定的估计器是一个（可能的）回归器。 sklearn.base
CalibratedClassifierCV	概率校准使用等渗回归或逻辑回归。 sklearn.calibration
calibration_curve	计算校准曲线的真实和预测概率。 sklearn.calibration
CalibrationDisplay	校准曲线（也称为可靠性图）可视化。 sklearn.calibration
AffinityPropagation	执行数据亲和传播聚类。 sklearn.cluster
AgglomerativeClustering	凝聚聚类。 sklearn.cluster
Birch	实现BIRCH聚类算法。 sklearn.cluster
BisectingKMeans	二分 K-Means 聚类。 sklearn.cluster
DBSCAN	执行DBSCAN聚类从向量数组或距离矩阵。 sklearn.cluster
FeatureAgglomeration	聚合特征。 sklearn.cluster
HDBSCAN	聚类数据使用层次密度聚类。 sklearn.cluster
KMeans	K-Means 聚类。 sklearn.cluster
MeanShift	均值漂移聚类使用平坦核。 sklearn.cluster
MiniBatchKMeans	Mini-Batch K-Means 聚类。 sklearn.cluster
OPTICS	估计向量数组的聚类结构。 sklearn.cluster
SpectralBiclustering	谱双聚类（Kluger, 2003）。 sklearn.cluster
SpectralClustering	应用聚类到归一化拉普拉斯矩阵的投影。 sklearn.cluster
SpectralCoclustering	谱共聚类算法（Dhillon, 2001）。 sklearn.cluster
affinity_propagation	执行数据的自适应传播聚类。 sklearn.cluster
cluster_optics_dbscan	执行DBSCAN提取以适应任意epsilon。 sklearn.cluster
cluster_optics_xi	自动根据Xi-steep方法提取聚类。 sklearn.cluster
compute_optics_graph	计算OPTICS可达性图。 sklearn.cluster
dbscan	执行DBSCAN聚类从向量数组或距离矩阵。 sklearn.cluster
estimate_bandwidth	估计用于均值漂移算法的带宽。 sklearn.cluster
k_means	执行K-means聚类算法。 sklearn.cluster
kmeans_plusplus	初始化 n_clusters 种子根据 k-means++。 sklearn.cluster
mean_shift	执行使用平坦核的均值漂移聚类数据。 sklearn.cluster
spectral_clustering	应用聚类到归一化拉普拉斯投影。 sklearn.cluster
ward_tree	Ward聚类基于特征矩阵。 sklearn.cluster
ColumnTransformer	应用转换器到数组或pandas DataFrame的列。 sklearn.compose
TransformedTargetRegressor	元估计器用于对变换后的目标进行回归。 sklearn.compose
make_column_selector	创建一个可调用对象以选择与 ColumnTransformer 一起使用的列。 sklearn.compose
make_column_transformer	构建一个由给定转换器组成的ColumnTransformer。 sklearn.compose
EllipticEnvelope	一个用于检测高斯分布数据集中异常点的对象。 sklearn.covariance
EmpiricalCovariance	最大似然协方差估计器。 sklearn.covariance
GraphicalLasso	稀疏逆协方差估计使用l1惩罚估计器。 sklearn.covariance
GraphicalLassoCV	稀疏逆协方差与交叉验证选择的l1惩罚。 sklearn.covariance
LedoitWolf	LedoitWolf 估计器。 sklearn.covariance
MinCovDet	最小协方差决定（MCD）：协方差的稳健估计器。 sklearn.covariance
OAS	Oracle 近似收缩估计器。 sklearn.covariance
ShrunkCovariance	协方差估计器使用收缩方法。 sklearn.covariance
empirical_covariance	计算最大似然协方差估计器。 sklearn.covariance
graphical_lasso	L1-惩罚协方差估计器。 sklearn.covariance
ledoit_wolf	估计收缩的Ledoit-Wolf协方差矩阵。 sklearn.covariance
ledoit_wolf_shrinkage	估计收缩的Ledoit-Wolf协方差矩阵。 sklearn.covariance
oas	估计使用Oracle近似收缩的协方差。 sklearn.covariance
shrunk_covariance	计算对角线收缩的协方差矩阵。 sklearn.covariance
CCA	正则相关分析，也称为“模式B”PLS。 sklearn.cross_decomposition
PLSCanonical	部分最小二乘变换器和回归器。 sklearn.cross_decomposition
PLSRegression	PLS回归。 sklearn.cross_decomposition
PLSSVD	部分最小二乘奇异值分解。 sklearn.cross_decomposition
clear_data_home	删除数据主目录缓存的所有内容。 sklearn.datasets
dump_svmlight_file	将数据集以svmlight / libsvm文件格式转储。 sklearn.datasets
fetch_20newsgroups	加载20个新闻组数据集的文件名和数据（分类）。 sklearn.datasets
fetch_20newsgroups_vectorized	加载并向量化20个新闻组数据集（分类）。 sklearn.datasets
fetch_california_housing	加载加利福尼亚住房数据集（回归）。 sklearn.datasets
fetch_covtype	加载covertype数据集（分类）。 sklearn.datasets
fetch_kddcup99	加载kddcup99数据集（分类）。 sklearn.datasets
fetch_lfw_pairs	加载Labeled Faces in the Wild (LFW) pairs数据集（分类）。 sklearn.datasets
fetch_lfw_people	加载Labeled Faces in the Wild (LFW)人物数据集（分类）。 sklearn.datasets
fetch_olivetti_faces	加载来自AT&T的Olivetti人脸数据集（分类）。 sklearn.datasets
fetch_openml	从openml按名称或数据集ID获取数据集。 sklearn.datasets
fetch_rcv1	加载RCV1多标签数据集（分类）。 sklearn.datasets
fetch_species_distributions	加载Phillips等人（2006年）的物种分布数据集的加载器。 sklearn.datasets
get_data_home	返回scikit-learn数据目录的路径。 sklearn.datasets
load_breast_cancer	加载并返回乳腺癌威斯康星数据集（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	加载带有类别作为子文件夹名称的文本文件。 sklearn.datasets
load_iris	加载并返回鸢尾花数据集（分类）。 sklearn.datasets
load_linnerud	加载并返回物理锻炼Linnerud数据集。 sklearn.datasets
load_sample_image	加载单个样本图像的numpy数组。 sklearn.datasets
load_sample_images	加载用于图像处理的示例图像。 sklearn.datasets
load_svmlight_file	加载以svmlight / libsvm格式存储的数据集到稀疏CSR矩阵中。 sklearn.datasets
load_svmlight_files	从多个文件加载数据集，文件格式为SVMlight格式。 sklearn.datasets
load_wine	加载并返回葡萄酒数据集（分类）。 sklearn.datasets
make_biclusters	生成一个用于双聚类的常量块对角结构数组。 sklearn.datasets
make_blobs	生成用于聚类的各向同性高斯斑点。 sklearn.datasets
make_checkerboard	生成一个用于双聚类的块状棋盘结构的数组。 sklearn.datasets
make_circles	创建一个包含较小圆的大圆在二维平面上。 sklearn.datasets
make_classification	生成一个随机的n类分类问题。 sklearn.datasets
make_friedman1	生成“Friedman #1”回归问题。 sklearn.datasets
make_friedman2	生成 “Friedman #2” 回归问题。 sklearn.datasets
make_friedman3	生成“Friedman #3”回归问题。 sklearn.datasets
make_gaussian_quantiles	生成各向同性高斯和按分位数标记的样本。 sklearn.datasets
make_hastie_10_2	生成用于Hastie等人在2009年提出的二分类数据，示例10.2。 sklearn.datasets
make_low_rank_matrix	生成一个主要为低秩矩阵，具有钟形奇异值。 sklearn.datasets
make_moons	制作两个交错的半圆。 sklearn.datasets
make_multilabel_classification	生成一个随机的多标签分类问题。 sklearn.datasets
make_regression	生成一个随机回归问题。 sklearn.datasets
make_s_curve	生成一个S形曲线数据集。 sklearn.datasets
make_sparse_coded_signal	生成一个由字典元素稀疏组合而成的信号。 sklearn.datasets
make_sparse_spd_matrix	生成一个稀疏的对称正定矩阵。 sklearn.datasets
make_sparse_uncorrelated	生成一个具有稀疏不相关设计的随机回归问题。 sklearn.datasets
make_spd_matrix	生成一个随机的对称正定矩阵。 sklearn.datasets
make_swiss_roll	生成一个瑞士卷数据集。 sklearn.datasets
DictionaryLearning	字典学习。 sklearn.decomposition
FactorAnalysis	因子分析（FA）。 sklearn.decomposition
FastICA	FastICA: 一种用于独立成分分析的快速算法。 sklearn.decomposition
IncrementalPCA	增量主成分分析（IPCA）。 sklearn.decomposition
KernelPCA	内核主成分分析（KPCA）。 sklearn.decomposition
LatentDirichletAllocation	潜在狄利克雷分配与在线变分贝叶斯算法。 sklearn.decomposition
MiniBatchDictionaryLearning	Mini-batch 字典学习。 sklearn.decomposition
MiniBatchNMF	Mini-Batch 非负矩阵分解 (NMF)。 sklearn.decomposition
MiniBatchSparsePCA	Mini-batch 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	降维使用截断的SVD（又名LSA）。 sklearn.decomposition
dict_learning	解决字典学习矩阵分解问题。 sklearn.decomposition
dict_learning_online	解决一个字典学习矩阵分解问题的在线方法。 sklearn.decomposition
fastica	执行快速独立成分分析。 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	线性判别分析。 sklearn.discriminant_analysis
QuadraticDiscriminantAnalysis	二次判别分析。 sklearn.discriminant_analysis
DummyClassifier	DummyClassifier 生成忽略输入特征的预测。 sklearn.dummy
DummyRegressor	回归器，使用简单规则进行预测。 sklearn.dummy
AdaBoostClassifier	一个AdaBoost分类器。 sklearn.ensemble
AdaBoostRegressor	一个AdaBoost回归器。 sklearn.ensemble
BaggingClassifier	一个Bagging分类器。 sklearn.ensemble
BaggingRegressor	一个Bagging回归器。 sklearn.ensemble
ExtraTreesClassifier	一个极端随机树分类器。 sklearn.ensemble
ExtraTreesRegressor	一个极端随机树回归器。 sklearn.ensemble
GradientBoostingClassifier	梯度提升用于分类。 sklearn.ensemble
GradientBoostingRegressor	梯度提升用于回归。 sklearn.ensemble
HistGradientBoostingClassifier	直方图梯度提升分类树。 sklearn.ensemble
HistGradientBoostingRegressor	直方图梯度提升回归树。 sklearn.ensemble
IsolationForest	Isolation Forest Algorithm. sklearn.ensemble
RandomForestClassifier	一个随机森林分类器。 sklearn.ensemble
RandomForestRegressor	一个随机森林回归器。 sklearn.ensemble
RandomTreesEmbedding	一个完全随机树的集合。 sklearn.ensemble
StackingClassifier	堆叠估计器与最终分类器。 sklearn.ensemble
StackingRegressor	堆叠估计器与最终回归器。 sklearn.ensemble
VotingClassifier	软投票/多数规则分类器，用于未拟合的估计器。 sklearn.ensemble
VotingRegressor	预测投票回归器，用于未拟合的估计器。 sklearn.ensemble
ConvergenceWarning	自定义警告以捕获收敛问题 sklearn.exceptions
DataConversionWarning	警告用于通知代码中发生的隐式数据转换。 sklearn.exceptions
DataDimensionalityWarning	自定义警告，用于通知数据维度方面的潜在问题。 sklearn.exceptions
EfficiencyWarning	警告用于通知用户计算效率低下。 sklearn.exceptions
FitFailedWarning	警告类，用于在拟合估计器时发生错误。 sklearn.exceptions
InconsistentVersionWarning	警告：当一个估计器以不一致的版本解封时引发。 sklearn.exceptions
NotFittedError	异常类，如果在拟合之前使用估计器，则引发该异常。 sklearn.exceptions
UndefinedMetricWarning	警告用于当指标无效时 sklearn.exceptions
enable_halving_search_cv	启用逐次减半搜索估计器 sklearn.experimental
enable_iterative_imputer	启用 IterativeImputer sklearn.experimental
DictVectorizer	将特征-值映射列表转换为向量。 sklearn.feature_extraction
FeatureHasher	实现特征哈希，即哈希技巧。 sklearn.feature_extraction
PatchExtractor	提取图像集合中的补丁。 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	图的像素到像素连接。 sklearn.feature_extraction.image
img_to_graph	图的像素到像素梯度连接。 sklearn.feature_extraction.image
reconstruct_from_patches_2d	从所有补丁重建图像。 sklearn.feature_extraction.image
CountVectorizer	将一组文本文档转换为标记计数矩阵。 sklearn.feature_extraction.text
HashingVectorizer	将一组文本文档转换为标记出现次数的矩阵。 sklearn.feature_extraction.text
TfidfTransformer	将计数矩阵转换为归一化的tf或tf-idf表示形式。 sklearn.feature_extraction.text
TfidfVectorizer	将一组原始文档转换为TF-IDF特征矩阵。 sklearn.feature_extraction.text
GenericUnivariateSelect	单变量特征选择器，具有可配置的策略。 sklearn.feature_selection
RFE	特征排序与递归特征消除。 sklearn.feature_selection
RFECV	递归特征消除与交叉验证选择特征。 sklearn.feature_selection
SelectFdr	过滤器：选择估计的错误发现率对应的p值。 sklearn.feature_selection
SelectFpr	过滤器：基于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：选择对应于族错误率的p值。 sklearn.feature_selection
SelectKBest	根据k个最高分数选择特征。 sklearn.feature_selection
SelectPercentile	根据最高得分的百分位数选择特征。 sklearn.feature_selection
SelectorMixin	Transformer mixin 提供了基于支持掩码的特征选择功能 sklearn.feature_selection
SequentialFeatureSelector	变压器，执行顺序特征选择。 sklearn.feature_selection
VarianceThreshold	特征选择器，移除所有低方差的特征。 sklearn.feature_selection
chi2	计算每个非负特征与类别之间的卡方统计量。 sklearn.feature_selection
f_classif	计算提供的样本的ANOVA 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	计算每个特征与目标之间的皮尔逊相关系数r。 sklearn.feature_selection
GaussianProcessClassifier	高斯过程分类（GPC）基于拉普拉斯近似。 sklearn.gaussian_process
GaussianProcessRegressor	高斯过程回归（GPR）。 sklearn.gaussian_process
CompoundKernel	核函数，由一组其他核函数组成。 sklearn.gaussian_process.kernels
ConstantKernel	常量核。 sklearn.gaussian_process.kernels
DotProduct	Dot-Product 核函数。 sklearn.gaussian_process.kernels
ExpSineSquared	Exp-Sine-Squared 核（又称周期核）。 sklearn.gaussian_process.kernels
Exponentiation	指数核接受一个基础核和一个标量参数 \(p\) ，并通过以下方式组合它们 sklearn.gaussian_process.kernels
Hyperparameter	一个以namedtuple形式表示的核超参数规范。 sklearn.gaussian_process.kernels
Kernel	基类用于所有核函数。 sklearn.gaussian_process.kernels
Matern	Matern 核函数。 sklearn.gaussian_process.kernels
PairwiseKernel	包装器用于sklearn.metrics.pairwise中的内核。 sklearn.gaussian_process.kernels
Product	Product 核函数接受两个核函数 \(k_1\) 和 \(k_2\) ，并通过以下方式将它们组合起来： sklearn.gaussian_process.kernels
RBF	径向基函数核（又称平方指数核）。 sklearn.gaussian_process.kernels
RationalQuadratic	有理二次核函数。 sklearn.gaussian_process.kernels
Sum	Sum 核接受两个核 \(k_1\) 和 \(k_2\) 并通过以下方式组合它们： sklearn.gaussian_process.kernels
WhiteKernel	白核函数。 sklearn.gaussian_process.kernels
IterativeImputer	多变量插补器，从所有其他特征中估计每个特征。 sklearn.impute
KNNImputer	补全缺失值的插补方法，使用k-最近邻算法。 sklearn.impute
MissingIndicator	二进制指示器用于缺失值。 sklearn.impute
SimpleImputer	单变量插补器，用于使用简单策略完成缺失值。 sklearn.impute
partial_dependence	部分依赖于 features 。 sklearn.inspection
permutation_importance	排列重要性用于特征评估 [Rd9e56ef97513-BRE]. sklearn.inspection
DecisionBoundaryDisplay	决策边界可视化。 sklearn.inspection
PartialDependenceDisplay	部分依赖图 (PDP)。 sklearn.inspection
IsotonicRegression	回归模型。 sklearn.isotonic
check_increasing	确定y是否与x单调相关。 sklearn.isotonic
isotonic_regression	解决等渗回归模型。 sklearn.isotonic
AdditiveChi2Sampler	近似特征映射用于加性chi2核。 sklearn.kernel_approximation
Nystroem	近似使用训练数据的一个子集来近似一个核映射。 sklearn.kernel_approximation
PolynomialCountSketch	多项式核近似通过张量草图实现。 sklearn.kernel_approximation
RBFSampler	近似使用随机傅里叶特征的RBF核特征映射。 sklearn.kernel_approximation
SkewedChi2Sampler	近似“偏斜卡方”核的特征映射。 sklearn.kernel_approximation
KernelRidge	核岭回归。 sklearn.kernel_ridge
LogisticRegression	逻辑回归（也称为logit，MaxEnt）分类器。 sklearn.linear_model
LogisticRegressionCV	逻辑回归交叉验证（即logit，MaxEnt）分类器。 sklearn.linear_model
PassiveAggressiveClassifier	被动攻击分类器。 sklearn.linear_model
Perceptron	线性感知机分类器。 sklearn.linear_model
RidgeClassifier	分类器使用岭回归。 sklearn.linear_model
RidgeClassifierCV	岭分类器，内置交叉验证。 sklearn.linear_model
SGDClassifier	线性分类器（SVM、逻辑回归等）使用SGD训练。 sklearn.linear_model
SGDOneClassSVM	解决使用随机梯度下降的线性单类支持向量机。 sklearn.linear_model
LinearRegression	普通最小二乘线性回归。 sklearn.linear_model
Ridge	线性最小二乘法与l2正则化。 sklearn.linear_model
RidgeCV	岭回归内置交叉验证。 sklearn.linear_model
SGDRegressor	线性模型通过最小化带有SGD的正则化经验损失进行拟合。 sklearn.linear_model
ElasticNet	线性回归结合了L1和L2先验作为正则化项。 sklearn.linear_model
ElasticNetCV	弹性网络模型沿正则化路径进行迭代拟合。 sklearn.linear_model
Lars	最小角回归模型，又名 LAR。 sklearn.linear_model
LarsCV	交叉验证的最小角回归模型。 sklearn.linear_model
Lasso	线性模型使用L1先验作为正则化训练（又名Lasso）。 sklearn.linear_model
LassoCV	Lasso线性模型沿着正则化路径进行迭代拟合。 sklearn.linear_model
LassoLars	Lasso模型使用最小角回归进行拟合，即Lars。 sklearn.linear_model
LassoLarsCV	交叉验证的Lasso，使用LARS算法。 sklearn.linear_model
LassoLarsIC	Lasso模型使用Lars并通过BIC或AIC进行模型选择。 sklearn.linear_model
OrthogonalMatchingPursuit	正交匹配追踪模型（OMP）。 sklearn.linear_model
OrthogonalMatchingPursuitCV	跨验证正交匹配追踪模型（OMP）。 sklearn.linear_model
ARDRegression	贝叶斯 ARD 回归。 sklearn.linear_model
BayesianRidge	贝叶斯岭回归。 sklearn.linear_model
MultiTaskElasticNet	多任务弹性网络模型，使用L1/L2混合范数作为正则化器进行训练。 sklearn.linear_model
MultiTaskElasticNetCV	多任务L1/L2弹性网络，内置交叉验证。 sklearn.linear_model
MultiTaskLasso	多任务Lasso模型，使用L1/L2混合范数作为正则化项进行训练。 sklearn.linear_model
MultiTaskLassoCV	多任务Lasso模型，使用L1/L2混合范数作为正则化项进行训练。 sklearn.linear_model
HuberRegressor	L2-正则化的线性回归模型，对异常值具有鲁棒性。 sklearn.linear_model
QuantileRegressor	线性回归模型，用于预测条件分位数。 sklearn.linear_model
RANSACRegressor	RANSAC (RANdom SAmple Consensus) 算法。 sklearn.linear_model
TheilSenRegressor	Theil-Sen 估计器：稳健的多变量回归模型。 sklearn.linear_model
GammaRegressor	广义线性模型与Gamma分布。 sklearn.linear_model
PoissonRegressor	广义线性模型与泊松分布。 sklearn.linear_model
TweedieRegressor	广义线性模型与Tweedie分布。 sklearn.linear_model
PassiveAggressiveRegressor	被动攻击回归器。 sklearn.linear_model
enet_path	计算弹性网络路径使用坐标下降法。 sklearn.linear_model
lars_path	计算最小角回归或Lasso路径使用LARS算法。 sklearn.linear_model
lars_path_gram	lars_path 在充分统计模式下。 sklearn.linear_model
lasso_path	计算Lasso路径使用坐标下降法。 sklearn.linear_model
orthogonal_mp	正交匹配追踪 (OMP)。 sklearn.linear_model
orthogonal_mp_gram	Gram 正交匹配追踪 (OMP). sklearn.linear_model
ridge_regression	解决岭方程通过正规方程法。 sklearn.linear_model
Isomap	Isomap Embedding. sklearn.manifold
LocallyLinearEmbedding	局部线性嵌入。 sklearn.manifold
MDS	多维缩放。 sklearn.manifold
SpectralEmbedding	光谱嵌入用于非线性降维。 sklearn.manifold
TSNE	T-分布随机邻域嵌入。 sklearn.manifold
locally_linear_embedding	执行数据上的局部线性嵌入分析。 sklearn.manifold
smacof	计算使用SMACOF算法的多维缩放。 sklearn.manifold
spectral_embedding	将样本投影到图拉普拉斯矩阵的前几个特征向量上。 sklearn.manifold
trustworthiness	指示局部结构保留到何种程度。 sklearn.manifold
check_scoring	确定用户选项的评分器。 sklearn.metrics
get_scorer	获取字符串形式的评分器。 sklearn.metrics
get_scorer_names	获取所有可用评分器的名称。 sklearn.metrics
make_scorer	创建一个从性能指标或损失函数生成的评分器。 sklearn.metrics
accuracy_score	准确性分类得分。 sklearn.metrics
auc	计算使用梯形法则的曲线下面积（AUC）。 sklearn.metrics
average_precision_score	计算预测分数的平均精度（AP）。 sklearn.metrics
balanced_accuracy_score	计算平衡准确率。 sklearn.metrics
brier_score_loss	计算Brier分数损失。 sklearn.metrics
class_likelihood_ratios	计算二分类的正负似然比。 sklearn.metrics
classification_report	构建一个文本报告，展示主要的分类指标。 sklearn.metrics
cohen_kappa_score	计算Cohen’s kappa：一种衡量标注者之间一致性的统计量。 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，解释的对数损失分数。 sklearn.metrics
dcg_score	计算折损累计增益。 sklearn.metrics
det_curve	计算不同概率阈值下的错误率。 sklearn.metrics
f1_score	计算F1分数，也称为平衡F-分数或F-度量。 sklearn.metrics
fbeta_score	计算 F-beta 分数。 sklearn.metrics
hamming_loss	计算平均汉明损失。 sklearn.metrics
hinge_loss	平均铰链损失（非正则化）。 sklearn.metrics
jaccard_score	Jaccard相似系数得分。 sklearn.metrics
log_loss	Log loss，又称逻辑损失或交叉熵损失。 sklearn.metrics
matthews_corrcoef	计算 Matthews 相关系数（MCC）。 sklearn.metrics
multilabel_confusion_matrix	计算每个类别或样本的混淆矩阵。 sklearn.metrics
ndcg_score	计算归一化折损累积增益。 sklearn.metrics
precision_recall_curve	计算不同概率阈值下的精确率-召回率对。 sklearn.metrics
precision_recall_fscore_support	计算每个类别的精确度、召回率、F-度量和支持度。 sklearn.metrics
precision_score	计算精确度。 sklearn.metrics
recall_score	计算召回率。 sklearn.metrics
roc_auc_score	计算从预测分数得到的受试者工作特征曲线（ROC AUC）下的面积。 sklearn.metrics
roc_curve	计算接收者操作特征（ROC）。 sklearn.metrics
top_k_accuracy_score	Top-k 准确率分类得分。 sklearn.metrics
zero_one_loss	零一分类损失。 sklearn.metrics
d2_absolute_error_score	\(D^2\) 回归评分函数，解释的绝对误差分数。 sklearn.metrics
d2_pinball_score	\(D^2\) 回归评分函数，解释了分位数损失的比例。 sklearn.metrics
d2_tweedie_score	\(D^2\) 回归评分函数，解释的 Tweedie 偏差的比例。 sklearn.metrics
explained_variance_score	方差解释回归评分函数。 sklearn.metrics
max_error	max_error 指标计算最大残差误差。 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	均值伽玛偏差回归损失。 sklearn.metrics
mean_pinball_loss	Pinball损失用于分位数回归。 sklearn.metrics
mean_poisson_deviance	均值泊松偏差回归损失。 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	均值 Tweedie 偏差回归损失。 sklearn.metrics
median_absolute_error	中位绝对误差回归损失。 sklearn.metrics
r2_score	\(R^2\) （决定系数）回归得分函数。 sklearn.metrics
root_mean_squared_error	均方根误差回归损失。 sklearn.metrics
root_mean_squared_log_error	均方对数误差回归损失。 sklearn.metrics
coverage_error	覆盖错误度量。 sklearn.metrics
label_ranking_average_precision_score	计算基于排名的平均精度。 sklearn.metrics
label_ranking_loss	计算排序损失度量。 sklearn.metrics
adjusted_mutual_info_score	调整两个聚类的互信息。 sklearn.metrics
adjusted_rand_score	Rand指数的随机调整。 sklearn.metrics
calinski_harabasz_score	计算 Calinski 和 Harabasz 分数。 sklearn.metrics
contingency_matrix	构建一个描述标签之间关系的列联矩阵。 sklearn.metrics.cluster
pair_confusion_matrix	由两个聚类产生的对混淆矩阵。 sklearn.metrics.cluster
completeness_score	计算给定真实标签的聚类标签完整性度量。 sklearn.metrics
davies_bouldin_score	计算Davies-Bouldin得分。 sklearn.metrics
fowlkes_mallows_score	测量一组点的两个聚类之间的相似性。 sklearn.metrics
homogeneity_completeness_v_measure	计算同质性、完整性和V-Measure分数。 sklearn.metrics
homogeneity_score	同质性度量给定真实标签的聚类标签。 sklearn.metrics
mutual_info_score	互信息在两个聚类之间的相似性度量。 sklearn.metrics
normalized_mutual_info_score	标准化两个聚类之间的互信息。 sklearn.metrics
rand_score	Rand指数。 sklearn.metrics
silhouette_samples	计算每个样本的轮廓系数。 sklearn.metrics
silhouette_score	计算所有样本的平均轮廓系数。 sklearn.metrics
v_measure_score	V-measure 聚类标签给定一个真实标签。 sklearn.metrics
consensus_score	两个双聚类集的相似性。 sklearn.metrics
DistanceMetric	统一接口，用于快速距离度量函数。 sklearn.metrics
additive_chi2_kernel	计算观测值 X 和 Y 之间的加性卡方核。 sklearn.metrics.pairwise
chi2_kernel	计算X和Y之间的指数卡方核。 sklearn.metrics.pairwise
cosine_distances	计算X和Y中样本之间的余弦距离。 sklearn.metrics.pairwise
cosine_similarity	计算X和Y中样本之间的余弦相似度。 sklearn.metrics.pairwise
distance_metrics	有效的成对距离度量。 sklearn.metrics.pairwise
euclidean_distances	计算向量数组X和Y中每一对之间的距离矩阵。 sklearn.metrics.pairwise
haversine_distances	计算样本X和Y之间的Haversine距离。 sklearn.metrics.pairwise
kernel_metrics	有效的成对核函数度量。 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中向量之间的L1距离。 sklearn.metrics.pairwise
nan_euclidean_distances	计算在存在缺失值的情况下的欧几里得距离。 sklearn.metrics.pairwise
paired_cosine_distances	计算X和Y之间的配对余弦距离。 sklearn.metrics.pairwise
paired_distances	计算X和Y之间的配对距离。 sklearn.metrics.pairwise
paired_euclidean_distances	计算X和Y之间的配对欧几里得距离。 sklearn.metrics.pairwise
paired_manhattan_distances	计算X和Y之间的配对L1距离。 sklearn.metrics.pairwise
pairwise_kernels	计算数组 X 和可选数组 Y 之间的核。 sklearn.metrics.pairwise
polynomial_kernel	计算X和Y之间的多项式核。 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	计算从向量数组X和可选的Y的距离矩阵。 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	生成一个分块的距离矩阵，可选的归约操作。 sklearn.metrics
ConfusionMatrixDisplay	混淆矩阵可视化。 sklearn.metrics
DetCurveDisplay	DET曲线可视化。 sklearn.metrics
PrecisionRecallDisplay	精确召回率可视化。 sklearn.metrics
PredictionErrorDisplay	预测回归模型的误差可视化。 sklearn.metrics
RocCurveDisplay	ROC曲线可视化。 sklearn.metrics
BayesianGaussianMixture	变分贝叶斯高斯混合估计。 sklearn.mixture
GaussianMixture	高斯混合模型。 sklearn.mixture
GroupKFold	K-fold迭代器变体，具有不重叠的组。 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 交叉验证器。 sklearn.model_selection
LeaveOneOut	Leave-One-Out 交叉验证器。 sklearn.model_selection
LeavePGroupsOut	Leave P Group(s) Out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器。 sklearn.model_selection
RepeatedKFold	Repeated K-Fold 交叉验证器。 sklearn.model_selection
RepeatedStratifiedKFold	重复分层K折交叉验证器。 sklearn.model_selection
ShuffleSplit	随机排列交叉验证器。 sklearn.model_selection
StratifiedGroupKFold	分层K折迭代器变种，具有不重叠的组。 sklearn.model_selection
StratifiedKFold	分层K折交叉验证器。 sklearn.model_selection
StratifiedShuffleSplit	分层随机分割交叉验证器。 sklearn.model_selection
TimeSeriesSplit	时间序列交叉验证器。 sklearn.model_selection
check_cv	输入检查工具，用于构建交叉验证器。 sklearn.model_selection
train_test_split	将数组或矩阵拆分为随机的训练和测试子集。 sklearn.model_selection
GridSearchCV	穷举搜索估计器的指定参数值。 sklearn.model_selection
HalvingGridSearchCV	搜索指定的参数值，使用连续减半的方法。 sklearn.model_selection
HalvingRandomSearchCV	随机搜索超参数。 sklearn.model_selection
ParameterGrid	网格参数，每个参数有离散的数值。 sklearn.model_selection
ParameterSampler	生成器在给定分布中采样参数。 sklearn.model_selection
RandomizedSearchCV	随机搜索超参数。 sklearn.model_selection
FixedThresholdClassifier	二元分类器，手动设置决策阈值。 sklearn.model_selection
TunedThresholdClassifierCV	分类器，使用交叉验证后调决策阈值。 sklearn.model_selection
cross_val_predict	生成每个输入数据点的交叉验证估计。 sklearn.model_selection
cross_val_score	评估通过交叉验证的得分。 sklearn.model_selection
cross_validate	评估指标通过交叉验证并记录拟合/评分时间。 sklearn.model_selection
learning_curve	学习曲线。 sklearn.model_selection
permutation_test_score	评估通过排列验证分数的显著性。 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	一对一多类策略。 sklearn.multiclass
OneVsRestClassifier	One-vs-the-rest (OvR) 多类策略。 sklearn.multiclass
OutputCodeClassifier	(Error-Correcting) Output-Code 多类策略。 sklearn.multiclass
ClassifierChain	一个将二元分类器排列成链的多标签模型。 sklearn.multioutput
MultiOutputClassifier	多目标分类。 sklearn.multioutput
MultiOutputRegressor	多目标回归。 sklearn.multioutput
RegressorChain	一个将回归排列成链的多标签模型。 sklearn.multioutput
BernoulliNB	朴素贝叶斯分类器，适用于多元伯努利模型。 sklearn.naive_bayes
CategoricalNB	朴素贝叶斯分类器，适用于分类特征。 sklearn.naive_bayes
ComplementNB	The Complement Naive Bayes classifier described in Rennie et al. (2003). sklearn.naive_bayes
GaussianNB	高斯朴素贝叶斯（GaussianNB）。 sklearn.naive_bayes
MultinomialNB	朴素贝叶斯分类器用于多项式模型。 sklearn.naive_bayes
BallTree	BallTree for fast generalized N-point problems sklearn.neighbors
KDTree	KDTree for fast generalized N-point problems sklearn.neighbors
KNeighborsClassifier	分类器实现k近邻投票。 sklearn.neighbors
KNeighborsRegressor	基于k近邻的回归。 sklearn.neighbors
KNeighborsTransformer	将X转换为k个最近邻的（加权）图。 sklearn.neighbors
KernelDensity	核密度估计。 sklearn.neighbors
LocalOutlierFactor	无监督异常检测使用局部异常因子（LOF）。 sklearn.neighbors
NearestCentroid	最近邻分类器。 sklearn.neighbors
NearestNeighbors	无监督学习者，用于实现邻居搜索。 sklearn.neighbors
NeighborhoodComponentsAnalysis	邻域组件分析。 sklearn.neighbors
RadiusNeighborsClassifier	分类器在给定半径内的邻居之间进行投票。 sklearn.neighbors
RadiusNeighborsRegressor	基于固定半径邻域的回归。 sklearn.neighbors
RadiusNeighborsTransformer	将X转换为一个（加权）邻近半径内的邻居图。 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（加权）邻居图。 sklearn.neighbors
sort_graph_by_row_values	对一个稀疏图进行排序，使得每一行按值递增存储。 sklearn.neighbors
BernoulliRBM	伯努利受限玻尔兹曼机（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	将多个转换器对象的结果连接起来。 sklearn.pipeline
Pipeline	一个带有可选最终预测器的数据转换器序列。 sklearn.pipeline
make_pipeline	构建一个来自给定估计器的 Pipeline 。 sklearn.pipeline
make_union	构造一个来自给定转换器的 FeatureUnion 。 sklearn.pipeline
Binarizer	二值化数据（根据阈值将特征值设置为0或1）。 sklearn.preprocessing
FunctionTransformer	构建一个来自任意可调用对象的转换器。 sklearn.preprocessing
KBinsDiscretizer	将连续数据分箱到区间中。 sklearn.preprocessing
KernelCenterer	中心化任意核矩阵 \(K\) 。 sklearn.preprocessing
LabelBinarizer	将标签二值化以进行一对多的分类。 sklearn.preprocessing
LabelEncoder	编码目标标签，使其值在0到n_classes-1之间。 sklearn.preprocessing
MaxAbsScaler	缩放每个特征以其最大绝对值。 sklearn.preprocessing
MinMaxScaler	转换特征通过将每个特征缩放到给定范围。 sklearn.preprocessing
MultiLabelBinarizer	转换可迭代对象和多标签格式之间的转换。 sklearn.preprocessing
Normalizer	标准化样本为单位范数。 sklearn.preprocessing
OneHotEncoder	将分类特征编码为独热数值数组。 sklearn.preprocessing
OrdinalEncoder	将分类特征编码为整数数组。 sklearn.preprocessing
PolynomialFeatures	生成多项式和交互特征。 sklearn.preprocessing
PowerTransformer	应用幂变换特征以使数据更接近高斯分布。 sklearn.preprocessing
QuantileTransformer	使用分位数信息转换特征。 sklearn.preprocessing
RobustScaler	使用对异常值具有鲁棒性的统计数据来缩放特征。 sklearn.preprocessing
SplineTransformer	生成单变量B样条基函数。 sklearn.preprocessing
StandardScaler	标准化特征通过去除均值并缩放到单位方差。 sklearn.preprocessing
TargetEncoder	目标编码器用于回归和分类目标。 sklearn.preprocessing
add_dummy_feature	增强数据集以添加额外的虚拟特征。 sklearn.preprocessing
binarize	布尔阈值处理数组类或scipy.sparse矩阵。 sklearn.preprocessing
label_binarize	二值化标签以一对多的方式进行。 sklearn.preprocessing
maxabs_scale	将每个特征缩放到 [-1, 1] 范围而不破坏稀疏性。 sklearn.preprocessing
minmax_scale	转换特征通过将每个特征缩放到给定范围。 sklearn.preprocessing
normalize	缩放输入向量以单位范数（向量长度）。 sklearn.preprocessing
power_transform	参数化、单调变换使数据更符合高斯分布。 sklearn.preprocessing
quantile_transform	使用分位数信息转换特征。 sklearn.preprocessing
robust_scale	标准化一个数据集沿着任何轴。 sklearn.preprocessing
scale	标准化一个数据集沿着任意轴。 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	找到一个“安全”的随机投影组件数量。 sklearn.random_projection
LabelPropagation	标签传播分类器。 sklearn.semi_supervised
LabelSpreading	LabelSpreading 模型用于半监督学习。 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。 sklearn.svm
NuSVC	Nu-支持向量分类。 sklearn.svm
NuSVR	Nu支持向量回归。 sklearn.svm
OneClassSVM	无监督异常检测。 sklearn.svm
SVC	C-支持向量分类。 sklearn.svm
SVR	Epsilon-支持向量回归。 sklearn.svm
l1_min_c	返回C的最低边界。 sklearn.svm
DecisionTreeClassifier	一个决策树分类器。 sklearn.tree
DecisionTreeRegressor	A decision tree regressor. sklearn.tree
ExtraTreeClassifier	一个极度随机化的树分类器。 sklearn.tree
ExtraTreeRegressor	一个极度随机的树回归器。 sklearn.tree
export_graphviz	导出一个决策树为DOT格式。 sklearn.tree
export_text	构建一个文本报告，展示决策树的规则。 sklearn.tree
plot_tree	绘制决策树。 sklearn.tree
Bunch	容器对象，将键暴露为属性。 sklearn.utils
_safe_indexing	返回使用索引的X的行、项或列。 sklearn.utils
as_float_array	将类似数组的对象转换为浮点数数组。 sklearn.utils
assert_all_finite	抛出ValueError如果X包含NaN或无穷大。 sklearn.utils
deprecated	装饰器，用于将函数或类标记为已弃用。 sklearn.utils
estimator_html_repr	构建一个估计器的HTML表示。 sklearn.utils
gen_batches	生成器，用于创建包含从0到 n 的 batch_size 个元素的切片。 sklearn.utils
gen_even_slices	生成器，用于创建均匀分布的 n_packs 个切片，直到 n 。 sklearn.utils
indexable	使数组可索引以进行交叉验证。 sklearn.utils
murmurhash3_32	计算种子处键的32位murmurhash3。 sklearn.utils
resample	重采样数组或稀疏矩阵的一致方式。 sklearn.utils
safe_mask	返回一个可以安全用于X的掩码。 sklearn.utils
safe_sqr	逐元素平方数组类和稀疏矩阵。 sklearn.utils
shuffle	打乱数组或稀疏矩阵的一致方式。 sklearn.utils
check_X_y	输入验证用于标准估计器。 sklearn.utils
check_array	对数组、列表、稀疏矩阵或类似对象的输入验证。 sklearn.utils
check_consistent_length	检查所有数组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	验证标量参数的类型和值。 sklearn.utils
check_is_fitted	执行估计器的is_fitted验证。 sklearn.utils.validation
check_memory	检查 memory 是否类似于 joblib.Memory。 sklearn.utils.validation
check_symmetric	确保数组是二维的、方形的和对称的。 sklearn.utils.validation
column_or_1d	将列或一维 numpy 数组展平，否则引发错误。 sklearn.utils.validation
has_fit_parameter	检查估计器的fit方法是否支持给定的参数。 sklearn.utils.validation
available_if	一个只有在检查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	估计不平衡数据集的样本权重。 sklearn.utils.class_weight
is_multilabel	检查 y 是否为多标签格式。 sklearn.utils.multiclass
type_of_target	确定由目标指示的数据类型。 sklearn.utils.multiclass
unique_labels	提取一个有序的唯一标签数组。 sklearn.utils.multiclass
density	计算稀疏向量的密度。 sklearn.utils.extmath
fast_logdet	计算方阵的行列式对数。 sklearn.utils.extmath
randomized_range_finder	计算一个正交矩阵，其范围近似于A的范围。 sklearn.utils.extmath
randomized_svd	计算截断的随机SVD。 sklearn.utils.extmath
safe_sparse_dot	点积能够正确处理稀疏矩阵的情况。 sklearn.utils.extmath
weighted_mode	返回一个数组，其中包含传入数组的加权众数（最常见的）值。 sklearn.utils.extmath
incr_mean_variance_axis	计算CSR或CSC矩阵沿轴的增量均值和方差。 sklearn.utils.sparsefuncs
inplace_column_scale	原地列缩放CSC/CSR矩阵。 sklearn.utils.sparsefuncs
inplace_csr_column_scale	原地列缩放CSR矩阵。 sklearn.utils.sparsefuncs
inplace_row_scale	原地行缩放CSR或CSC矩阵。 sklearn.utils.sparsefuncs
inplace_swap_column	交换CSC/CSR矩阵的两列，原地操作。 sklearn.utils.sparsefuncs
inplace_swap_row	交换CSC/CSR矩阵的两行，原地操作。 sklearn.utils.sparsefuncs
mean_variance_axis	计算CSR或CSC矩阵沿某一轴的均值和方差。 sklearn.utils.sparsefuncs
inplace_csr_row_normalize_l1	就地规范化CSR矩阵或数组的行，使其L1范数归一化。 sklearn.utils.sparsefuncs_fast
inplace_csr_row_normalize_l2	就地规范化CSR矩阵或数组的行，使其L2范数为1。 sklearn.utils.sparsefuncs_fast
single_source_shortest_path_length	返回从源点到所有可到达节点的最短路径长度。 sklearn.utils.graph
sample_without_replacement	采样整数而不进行替换。 sklearn.utils.random
min_pos	查找数组中正数值的最小值。 sklearn.utils.arrayfuncs
MetadataRequest	包含消费者的元数据请求信息。 sklearn.utils.metadata_routing
MetadataRouter	存储并处理路由对象的元数据路由。 sklearn.utils.metadata_routing
MethodMapping	存储路由器调用者和被调用者方法之间的映射。 sklearn.utils.metadata_routing
get_routing_for_object	获取给定对象的 Metadata{Router, Request} 实例。 sklearn.utils.metadata_routing
process_routing	验证和路由输入参数。 sklearn.utils.metadata_routing
all_displays	获取来自 sklearn 的所有显示列表。 sklearn.utils.discovery
all_estimators	获取 sklearn 中的所有估计器列表。 sklearn.utils.discovery
all_functions	获取 sklearn 中的所有函数列表。 sklearn.utils.discovery
check_estimator	检查估计器是否符合scikit-learn的约定。 sklearn.utils.estimator_checks
parametrize_with_checks	装饰器特定于Pytest，用于参数化估计器检查。 sklearn.utils.estimator_checks
Parallel	调整 joblib.Parallel 以传播 scikit-learn 配置。 sklearn.utils.parallel
delayed	装饰器用于捕获函数的参数。 sklearn.utils.parallel
parallel_backend	Change the default backend used by Parallel inside a with block. sklearn.utils Deprecated in version 1.7
register_parallel_backend	Register a new Parallel backend factory. sklearn.utils Deprecated in version 1.7