mlxtend
主页
用户指南
用户指南索引
分类器
Adaline: 自适应线性神经元分类器
EnsembleVoteClassifier: 多数投票分类器
LogisticRegression: 二元分类器
MultilayerPerceptron: 简单的多层神经网络
OneRClassifier: 单规则 (OneR) 分类方法
Perceptron: 简单的二元分类器
SoftmaxRegression: 多类版本的逻辑回归
StackingClassifier: 简单堆叠分类器
StackingCVClassifier: 交叉验证堆叠分类器
聚类
Kmeans: k均值聚类
数据
autompg_data: 用于回归的 Auto-MPG 数据集
boston_housing_data: 用于回归的波士顿住房数据集
iris_data: 用于分类的 3 类鸢尾花数据集
loadlocal_mnist: 从原始 ubyte 文件加载 MNIST 的函数
make_multiplexer_dataset: 创建多路复用器数据的函数
mnist_data: 用于分类的 MNIST 数据集子集
three_blobs_data: 用于分类的合成斑点数据
wine_data: 用于分类的 3 类葡萄酒数据集
评估
accuracy_score: 计算标准、平衡和每类准确率
bias_variance_decomp: 用于分类和回归损失的偏差-方差分解
bootstrap: 用于任意参数的普通非参数自举
bootstrap_point632_score: 用于分类器评估的 .632 和 .632+ 自举
BootstrapOutOfBag: 袋外自举的 scikit-learn 兼容版本
cochrans_q: 用于比较多个分类器的 Cochran Q 检验
combined_ftest_5x2cv: 用于分类器比较的 5x2cv 组合 F 检验
confusion_matrix: 创建用于模型评估的混淆矩阵
create_counterfactual: 通过反事实解释模型
feature_importance_permutation: 通过特征置换估计特征重要性。
ftest: 用于分类器比较的 F 检验
GroupTimeSeriesSplit: 带分组时间序列验证的 scikit-learn 兼容版本
lift_score: 用于分类和关联规则挖掘的提升分数
mcnemar_table: 用于 McNemar 检验的列联表
mcnemar_tables: 用于 McNemar 检验和 Cochran Q 检验的列联表
mcnemar: 用于分类器比较的 McNemar 检验
paired_ttest_5x2cv: 用于分类器比较的 5x2cv 配对 t 检验
paired_ttest_kfold_cv: K 折交叉验证配对 t 检验
paired_ttest_resample: 重采样配对 t 检验
permutation_test: 用于假设检验的置换检验
PredefinedHoldoutSplit: 与 scikit-learn 兼容的留出法工具
RandomHoldoutSplit: 将数据集分割为训练和验证子集以进行验证
scoring: 计算各种性能指标
特征提取
LinearDiscriminantAnalysis: 用于降维的线性判别分析
PrincipalComponentAnalysis: 用于降维的主成分分析 (PCA)
RBFKernelPCA
特征选择
ColumnSelector: 在 pipeline 中选择特定列的 Scikit-learn 工具函数
ExhaustiveFeatureSelector: 通过考虑所有可能的特征组合来找到最优特征集
SequentialFeatureSelector: 流行的向前和向后特征选择方法（包括浮动变体）
文件输入输出
find_filegroups: 查找仅文件名扩展名不同的文件
find_files: 根据子字符串匹配查找文件
频繁模式
Apriori
关联规则
Fpgrowth
Fpmax
数学
num_combinations: 创建 k 个元素子序列的组合数
num_permutations: 创建 k 个元素子序列的排列数
vectorspace_dimensionality: 计算一组向量所跨越的维度数
vectorspace_orthonormalization: 将一组线性无关向量转换为一组正交基向量
绘图
Scategory_scatter: 创建使用不同颜色表示类别的散点图
checkerboard_plot: 在 matplotlib 中创建棋盘格图
plot_pca_correlation_graph: 绘制原始特征与主成分之间的相关性图
ecdf: 创建经验累积分布函数图
enrichment_plot: 创建累积计数的富集图
heatmap: 在 matplotlib 中创建热力图
plot_confusion_matrix: 可视化混淆矩阵
plot_decision_regions: 可视化分类器的决策区域
plot_learning_curves: 绘制来自训练集和测试集的学习曲线
plot_linear_regression: 绘制线性回归拟合的快捷方式
plot_sequential_feature_selection: 可视化 SequentialFeatureSelector 中选择的特征子集性能
scatterplotmatrix: 通过散点图矩阵可视化数据集
scatter_hist: 创建散点直方图
stacked_barplot: 在 matplotlib 中绘制堆叠条形图
预处理
CopyTransformer: 在 scikit-learn pipeline 中创建输入数组副本的函数
DenseTransformer: 将稀疏数组转换为稠密 NumPy 数组，例如在 scikit-learn pipeline 中
MeanCenterer: 对 NumPy 数组进行基于列的均值中心化
MinMaxScaling: 对 pandas DataFrame 和 NumPy 数组进行最小-最大缩放
独热编码
shuffle_arrays_unison: 以一致的方式打乱数组
standardize: 对二维 NumPy 数组中的列进行标准化的函数
TransactionEncoder
回归器
LinearRegression: 普通最小二乘线性回归的实现
StackingCVRegressor: 用于回归的交叉验证堆叠
StackingRegressor: 用于回归的简单堆叠实现
文本
generalize_names: 将名称转换为通用格式
generalize_names_duplcheck: 在泛化名称的同时防止不同名称之间出现重复
tokenizer_emoticons: 表情符号分词器
工具
Counter: 简单的进度计数器
API
Mlxtend.classifier
Mlxtend.cluster
Mlxtend.data
Mlxtend.evaluate
Mlxtend.feature extraction
Mlxtend.feature selection
Mlxtend.file io
Mlxtend.frequent patterns
Mlxtend.plotting
Mlxtend.preprocessing
Mlxtend.regressor
Mlxtend.text
Mlxtend.utils
安装
关于
发布说明
行为准则
如何贡献
贡献者
许可
引用 Mlxtend
讨论
搜索
上一页
下一页
在 GitHub 上编辑
讨论
讨论
对 mlxtend 有任何问题或意见？加入 Google Groups 上的 mlxtend 邮件列表吧！
搜索
×
关闭
您可以在此处搜索这些文档。在下方输入您的搜索词。
键盘快捷键
×
关闭
按键
操作
?
打开此帮助
n
下一页
p
上一页
s
搜索
