📦 deps(tsl): sync tsl-playbook from 5d73964d

Source-Commit: 5d73964db8
2026-08-14 17:15:41 +08:00
parent 5f4ca63966
commit 2f0d80da65
574 changed files with 47871 additions and 14463 deletions
@@ -0,0 +1,303 @@
+# 应用专题 / 数学算法
+
+## `cond_entropy_cc(c_x, c_y, k, base)`
+
+声明：function
+
+获取连续变量与连续变量的条件熵
+
+<!-- tags: 查询 机器学习 -->
+
+| 参数   | 类型    | 说明                                                                                                                                                       |
+| ------ | ------- | ---------------------------------------------------------------------------------------------------------------------------------------------------------- |
+| `c_x`  | array   | 一维数字数组，一维连续数据                                                                                                                                 |
+| `c_y`  | array   | 一维数字数组，一维连续数据                                                                                                                                 |
+| `k`    | integer | 整数，k-近邻估计的 k 参数，计算当前数据点与距离最近的第 k 个数据点之间距离时使用， 一般来说，k 越小，统计误差越大，系统误差越小，k 越大则相反。通常 k 取 3 |
+| `base` | real    | 实数，对数底，取对数时的底数                                                                                                                               |
+
+返回：real
+
+## `cond_entropy_cd(c_x, d_y, k, base)`
+
+声明：function
+
+获取连续变量与离散变量的条件熵
+
+<!-- tags: 查询 机器学习 -->
+
+| 参数   | 类型    | 说明                                                                                                                                                       |
+| ------ | ------- | ---------------------------------------------------------------------------------------------------------------------------------------------------------- |
+| `c_x`  | array   | 一维数字数组，一维连续数据                                                                                                                                 |
+| `d_y`  | array   | 一维数字数组，一维离散数据                                                                                                                                 |
+| `k`    | integer | 整数，k-近邻估计的 k 参数，计算当前数据点与距离最近的第 k 个数据点之间距离时使用， 一般来说，k 越小，统计误差越大，系统误差越小，k 越大则相反。通常 k 取 3 |
+| `base` | real    | 实数，对数底，取对数时的底数                                                                                                                               |
+
+返回：real
+
+## `cond_entropy_dc(d_x, c_y, k, base)`
+
+声明：function
+
+获取离散变量与连续变量的条件熵
+
+<!-- tags: 查询 机器学习 -->
+
+| 参数   | 类型    | 说明                                                                                                                                                       |
+| ------ | ------- | ---------------------------------------------------------------------------------------------------------------------------------------------------------- |
+| `d_x`  | array   | 一维数字数组，一维离散数据                                                                                                                                 |
+| `c_y`  | array   | 一维数字数组，一维连续数据                                                                                                                                 |
+| `k`    | integer | 整数，k-近邻估计的 k 参数，计算当前数据点与距离最近的第 k 个数据点之间距离时使用， 一般来说，k 越小，统计误差越大，系统误差越小，k 越大则相反。通常 k 取 3 |
+| `base` | real    | 实数，对数底，取对数时的底数                                                                                                                               |
+
+返回：real
+
+## `cond_entropy_dd(d_x, d_y, base)`
+
+声明：function
+
+获取离散变量与离散变量的条件熵
+
+<!-- tags: 查询 机器学习 -->
+
+| 参数   | 类型  | 说明                         |
+| ------ | ----- | ---------------------------- |
+| `d_x`  | array | 一维数字数组，一维离散数据   |
+| `d_y`  | array | 一维数字数组，一维离散数据   |
+| `base` | real  | 实数，对数底，取对数时的底数 |
+
+返回：real
+
+## `cost_complexity_pruning_path(x, y, sample_weight)`
+
+声明：function
+
+在最小化成本复杂性修剪期间计算修剪路径
+
+<!-- tags: 机器学习 -->
+
+| 参数            | 类型  | 说明                                                                              |
+| --------------- | ----- | --------------------------------------------------------------------------------- |
+| `x`             | array | 数组，输入示例，形状（n_samples,n_features）                                      |
+| `y`             | array | 数组，目标值（类标签，整数或字符串），形状（n_samples）或（n_samples，n_outputs） |
+| `sample_weight` | array | 数组，样品权重，形状（n_samples）                                                 |
+
+返回：array
+
+## `decision_path(x, check_input)`
+
+声明：function
+
+返回决策树的决策路径
+
+<!-- tags: 机器学习 -->
+
+| 参数          | 类型    | 说明                                                     |
+| ------------- | ------- | -------------------------------------------------------- |
+| `x`           | array   | 数组，输入示例，形状（n_samples,n_features）             |
+| `check_input` | boolean | 布尔值，默认为真，允许绕过多个输入检查，一般不使用此参数 |
+
+返回：array
+
+## `entropy_c(c_x, k, base)`
+
+声明：function
+
+获取连续变量的熵
+
+<!-- tags: 查询 机器学习 -->
+
+| 参数   | 类型    | 说明                                                                                                                                                       |
+| ------ | ------- | ---------------------------------------------------------------------------------------------------------------------------------------------------------- |
+| `c_x`  | array   | 一维数字数组，一维连续数据                                                                                                                                 |
+| `k`    | integer | 整数，k-近邻估计的 k 参数，计算当前数据点与距离最近的第 k 个数据点之间距离时使用， 一般来说，k 越小，统计误差越大，系统误差越小，k 越大则相反。通常 k 取 3 |
+| `base` | real    | 实数，对数底，取对数时的底数                                                                                                                               |
+
+返回：real
+
+## `entropy_d(d_x, base)`
+
+声明：function
+
+获取离散变量的熵
+
+<!-- tags: 查询 机器学习 -->
+
+| 参数   | 类型  | 说明                         |
+| ------ | ----- | ---------------------------- |
+| `d_x`  | array | 一维数字数组，一维离散数据   |
+| `base` | real  | 实数，对数底，取对数时的底数 |
+
+返回：real
+
+## `fit(x, y, sample_weight, check_input)`
+
+声明：function
+
+根据训练集（X，y）建立决策树分类器
+
+<!-- tags: 测试集 交叉验证 机器学习 -->
+
+| 参数            | 类型    | 说明                                                                                                                        |
+| --------------- | ------- | --------------------------------------------------------------------------------------------------------------------------- |
+| `x`             | array   | 数组，训练输入样本，形状 （n_samples,n_features），n_samples 为训练样本个数，n_features 为特征个数                          |
+| `y`             | array   | 数组，目标值（类标签，整数或字符串），形状（n_samples）或（n_samples，n_outputs）                                           |
+| `sample_weight` | array   | 数组，样本权重，形状（n_samples），如果为空（默认），则样本的权重相等。 建立决策树时，导致权重为 0 或者负值的拆分将会被忽略 |
+| `check_input`   | boolean | 布尔值，默认为真，允许绕过多个输入检查，一般不使用此参数                                                                    |
+
+返回：any
+
+## `get_depth()`
+
+声明：function
+
+返回决策树的深度
+
+<!-- tags: 查询 机器学习 -->
+
+返回：integer
+
+## `get_feature_importances_()`
+
+声明：function
+
+返回特征重要程度数据
+
+<!-- tags: 查询 机器学习 -->
+
+返回：array
+
+## `get_n_leaves()`
+
+声明：function
+
+返回决策树的叶子数
+
+<!-- tags: 查询 机器学习 -->
+
+返回：integer
+
+## `mi_cc(c_x, c_y, k, base)`
+
+声明：function
+
+获取连续变量与连续变量的互信息
+
+<!-- tags: 查询 机器学习 -->
+
+| 参数   | 类型    | 说明                                                                                                                                                       |
+| ------ | ------- | ---------------------------------------------------------------------------------------------------------------------------------------------------------- |
+| `c_x`  | array   | 一维数字数组，一维连续数据                                                                                                                                 |
+| `c_y`  | array   | 一维数字数组，一维连续数据                                                                                                                                 |
+| `k`    | integer | 整数，k-近邻估计的 k 参数，计算当前数据点与距离最近的第 k 个数据点之间距离时使用， 一般来说，k 越小，统计误差越大，系统误差越小，k 越大则相反。通常 k 取 3 |
+| `base` | real    | 实数，对数底，取对数时的底数                                                                                                                               |
+
+返回：real
+
+## `mi_cd(c_x, d_y, k, base)`
+
+声明：function
+
+获取连续变量与离散变量的互信息
+
+<!-- tags: 查询 机器学习 -->
+
+| 参数   | 类型    | 说明                                                                                                                                                       |
+| ------ | ------- | ---------------------------------------------------------------------------------------------------------------------------------------------------------- |
+| `c_x`  | array   | 一维数字数组，一维连续数据                                                                                                                                 |
+| `d_y`  | array   | 一维数字数组，一维离散数据                                                                                                                                 |
+| `k`    | integer | 整数，k-近邻估计的 k 参数，计算当前数据点与距离最近的第 k 个数据点之间距离时使用， 一般来说，k 越小，统计误差越大，系统误差越小，k 越大则相反。通常 k 取 3 |
+| `base` | real    | 实数，对数底，取对数时的底数                                                                                                                               |
+
+返回：real
+
+## `mi_dc(d_x, c_y, k, base)`
+
+声明：function
+
+获取离散变量与连续变量的互信息
+
+<!-- tags: 查询 机器学习 -->
+
+| 参数   | 类型    | 说明                                                                                                                                                       |
+| ------ | ------- | ---------------------------------------------------------------------------------------------------------------------------------------------------------- |
+| `d_x`  | array   | 一维数字数组，一维离散数据                                                                                                                                 |
+| `c_y`  | array   | 一维数字数组，一维连续数据                                                                                                                                 |
+| `k`    | integer | 整数，k-近邻估计的 k 参数，计算当前数据点与距离最近的第 k 个数据点之间距离时使用， 一般来说，k 越小，统计误差越大，系统误差越小，k 越大则相反。通常 k 取 3 |
+| `base` | real    | 实数，对数底，取对数时的底数                                                                                                                               |
+
+返回：real
+
+## `mi_dd(d_x, d_y, base)`
+
+声明：function
+
+获取离散变量与离散变量的互信息
+
+<!-- tags: 查询 机器学习 -->
+
+| 参数   | 类型  | 说明                         |
+| ------ | ----- | ---------------------------- |
+| `d_x`  | array | 一维数字数组，一维离散数据   |
+| `d_y`  | array | 一维数字数组，一维离散数据   |
+| `base` | real  | 实数，对数底，取对数时的底数 |
+
+返回：real
+
+## `predict(x, check_input)`
+
+声明：function
+
+预测 X 的类别
+
+<!-- tags: 预估 机器学习 -->
+
+| 参数          | 类型    | 说明                                                     |
+| ------------- | ------- | -------------------------------------------------------- |
+| `x`           | array   | 数组，输入示例，形状（n_samples,n_features）             |
+| `check_input` | boolean | 布尔值，默认为真，允许绕过多个输入检查，一般不使用此参数 |
+
+返回：array
+
+## `predict_log_proba(x)`
+
+声明：function
+
+预测输入样本 X 的类对数概率
+
+<!-- tags: 预估 机器学习 -->
+
+| 参数 | 类型  | 说明                                         |
+| ---- | ----- | -------------------------------------------- |
+| `x`  | array | 数组，输入示例，形状（n_samples,n_features） |
+
+返回：array
+
+## `predict_proba(x, check_input)`
+
+声明：function
+
+预测输入样本 X 的类别概率
+
+<!-- tags: 预估 机器学习 -->
+
+| 参数          | 类型    | 说明                                                     |
+| ------------- | ------- | -------------------------------------------------------- |
+| `x`           | array   | 数组，输入示例，形状（n_samples,n_features）             |
+| `check_input` | boolean | 布尔值，默认为真，允许绕过多个输入检查，一般不使用此参数 |
+
+返回：array
+
+## `proba_entropy(p, base)`
+
+声明：function
+
+获取给定概率数据的熵
+
+<!-- tags: 查询 机器学习 -->
+
+| 参数   | 类型  | 说明                         |
+| ------ | ----- | ---------------------------- |
+| `p`    | array | 一维数字数组，一维概率数据   |
+| `base` | real  | 实数，对数底，取对数时的底数 |
+
+返回：real