9566

kernel_approximation.PolynomialCountSketch 파라미터 K(X, Y) = (gamma * + coef0)^degree kernel_approximation.PolynomialCountSketch 파라미터 gammafloat, default=1.0 degreeint, default=2 coef0int, default=0 n_componentsint, default=100 random_stateint, RandomState instance, default=None

sklearn.kernel_approximation.Nystroem sklearn.kernel_approximation.Nystroem 파라미터 kernelstr or callable, default=’rbf’ gammafloat, default=None coef0float, default=None degreefloat, default=None kernel_paramsdict, default=None n_componentsint, default=100 random_stateint, RandomState instance or None, default=None n_jobsint, default=None

AdditiveChi2Sampler class sklearn.kernel_approximation.AdditiveChi2Sampler(*, sample_steps=2, sample_interval=None) from sklearn.kernel_approximation import AdditiveChi2Sampler AdditiveChi2Sampler 파라미터 sample_steps = 정수, 기본값=2 # (복잡한) 샘플링 포인트의 수를 제공합니다. sample_interval = float, 기본값=없음 # 샘플링 간격. sample_steps가 {1,2,3}에 없을 때 지정해야 합니다.

isotonic.isotonic_regression sklearn.isotonic.isotonic_regression(y, *, sample_weight=None, y_min=None, y_max=None, increasing=True) isotonic.isotonic_regression 파라미터 y = array-like of shape (n_samples,) # The data. sample_weightarray-like of shape (n_samples,), default=None # 회귀의 각 지점에 대한 가중치입니다. None이면 가중치가 1(동일한 가중치)로 설정됩니다. y_min = float, default=None # 가장 낮은 예측값의 하한값(최소값은 여전히 ​​높을 수 있음). 설정..

isotonic.check_increasing sklearn.isotonic.check_increasing(x, y) isotonic.check_increasing 파라미터 # x가 증가하면 y도 단조적으로 증가하는지(True)/감소하는지(False) 파악 x = array-like of shape (n_samples,) # Training data y = array-like of shape (n_samples,) # Training target

IsotonicRegression(등장성 회귀) class sklearn.isotonic.IsotonicRegression(*, y_min=None, y_max=None, increasing=True, out_of_bounds='nan') from sklearn.isotonic import IsotonicRegression IsotonicRegression 파라미터 y_min = float, default=None # 가장 낮은 예측값의 하한값(최소값은 여전히 ​​높을 수 있음). 설정하지 않으면 기본값은 -inf입니다. y_max = float, default=None # 가장 높은 예측 값의 상한값(최대값은 여전히 ​​낮을 수 있음). 설정하지 않으면 기본값은 +inf입니다. increasing = ..

plot_partial_dependence plot_partial_dependence은 1.0에서 더 이상 사용되지 않으며 1.2에서 제거됩니다. 대신 PartialDependenceDisplay.from_estimator를 사용하십시오. from sklearn.inspection import plot_partial_dependence plot_partial_dependence 파라미터 estimator = BaseEstimator X = {array-like, dataframe} of shape (n_samples, n_features) features = list of {int, str, pair of int, pair of str} feature_names = array-like of shape (..

PartialDependenceDisplay class sklearn.inspection.PartialDependenceDisplay(pd_results, *, features, feature_names, target_idx, pdp_lim, deciles, kind='average', subsample=1000, random_state=None) from sklearn.inspection import PartialDependenceDisplay PartialDependenceDisplay 파라미터 pd_results = list of Bunch # 변수에 대한 partial_dependence 결과 features = list of (int,) or list of (int, int) # 변수의 인덱스 ..