✨ feat(tsl-api-reference): add class and framework API lookup
This commit is contained in:
+593
@@ -0,0 +1,593 @@
|
||||
# 应用专题 / 数学算法
|
||||
|
||||
## `decisionTreeClassifier`
|
||||
|
||||
声明：class
|
||||
|
||||
使用决策树进行分类并支持类别概率、决策路径和成本复杂度剪枝
|
||||
|
||||
<!-- tags: 机器学习 决策树 分类 -->
|
||||
|
||||
### `Criterion`
|
||||
|
||||
声明：field
|
||||
|
||||
切分质量衡量标准，支持 `gini`、`entropy` 和 `log_loss`，默认 `gini`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：string
|
||||
|
||||
### `Splitter`
|
||||
|
||||
声明：field
|
||||
|
||||
节点拆分策略，可选 `best` 或 `random`，默认 `best`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：string
|
||||
|
||||
### `Max_depth`
|
||||
|
||||
声明：field
|
||||
|
||||
树的最大深度；为空时继续展开直到叶节点纯净或样本数不足
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：integer
|
||||
|
||||
### `Random_state`
|
||||
|
||||
声明：field
|
||||
|
||||
控制估计器随机性以便复现结果
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：integer
|
||||
|
||||
### `Class_weight`
|
||||
|
||||
声明：field
|
||||
|
||||
与类别关联的权重；为空时各类别权重均为 1
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Ccp_alpha`
|
||||
|
||||
声明：field
|
||||
|
||||
最小成本复杂性剪枝参数，默认 0.0
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：real
|
||||
|
||||
### `Classes_`
|
||||
|
||||
声明：field
|
||||
|
||||
训练后得到的类标签，或多输出模型的类标签数组列表
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Feature_importances_`
|
||||
|
||||
声明：field
|
||||
|
||||
训练后得到的特征重要程度
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `create(criterion, splitter, max_depth, min_samples_split, min_samples_leaf, min_weight_fraction_leaf, max_features, random_state, max_leaf_nodes, min_impurity_decrease, class_weight, ccp_alpha)`
|
||||
|
||||
声明：function
|
||||
|
||||
初始化决策树分类器
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| -------------------------- | ------------- | ---------------------------------- |
|
||||
| `criterion` | string | 切分质量衡量标准 |
|
||||
| `splitter` | string | 节点拆分策略 |
|
||||
| `max_depth` | integer | 树的最大深度 |
|
||||
| `min_samples_split` | integer\|real | 拆分内部节点所需的最小样本数或比例 |
|
||||
| `min_samples_leaf` | integer\|real | 叶节点所需的最小样本数或比例 |
|
||||
| `min_weight_fraction_leaf` | real | 叶节点的最小加权比例 |
|
||||
| `max_features` | any | 寻找最佳分割时考虑的特征数量 |
|
||||
| `random_state` | integer | 随机状态 |
|
||||
| `max_leaf_nodes` | integer | 最大叶节点数 |
|
||||
| `min_impurity_decrease` | real | 允许切分的最小不纯度下降值 |
|
||||
| `class_weight` | array | 类别权重 |
|
||||
| `ccp_alpha` | real | 最小成本复杂性剪枝参数 |
|
||||
|
||||
### `Fit(X, y, sample_weight, check_input)`
|
||||
|
||||
声明：function
|
||||
|
||||
根据训练集建立决策树分类器
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ------- | ----------------------------- |
|
||||
| `X` | array | 二维训练特征数组 |
|
||||
| `y` | array | 类标签或多输出目标数组 |
|
||||
| `sample_weight` | array | 各样本权重；默认值为 `nil` |
|
||||
| `check_input` | boolean | 是否执行输入检查，默认 `True` |
|
||||
|
||||
### `Get_depth()`
|
||||
|
||||
声明：function
|
||||
|
||||
返回决策树深度
|
||||
|
||||
可见性：`public`
|
||||
|
||||
返回：integer
|
||||
|
||||
### `Get_n_leaves()`
|
||||
|
||||
声明：function
|
||||
|
||||
返回决策树叶节点数
|
||||
|
||||
可见性：`public`
|
||||
|
||||
返回：integer
|
||||
|
||||
### `Predict_proba(X, check_input)`
|
||||
|
||||
声明：function
|
||||
|
||||
预测输入样本的类别概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ------------- | ------- | ----------------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
| `check_input` | boolean | 是否执行输入检查，默认 `True` |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Predict_log_proba(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
预测输入样本的类别对数概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Predict(X, check_input)`
|
||||
|
||||
声明：function
|
||||
|
||||
预测输入样本的类别标签
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ------------- | ------- | ----------------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
| `check_input` | boolean | 是否执行输入检查，默认 `True` |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Decision_path(X, check_input)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回样本通过决策树节点的决策路径
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ------------- | ------- | ----------------------------- |
|
||||
| `X` | array | 需要计算路径的二维特征数组 |
|
||||
| `check_input` | boolean | 是否执行输入检查，默认 `True` |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Get_feature_importances_()`
|
||||
|
||||
声明：function
|
||||
|
||||
返回按特征归一化的特征重要程度
|
||||
|
||||
可见性：`public`
|
||||
|
||||
返回：array
|
||||
|
||||
### `Cost_complexity_pruning_path(X, y, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
计算最小成本复杂性剪枝路径
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------- |
|
||||
| `X` | array | 二维训练特征数组 |
|
||||
| `y` | array | 类标签或多输出目标数组 |
|
||||
| `sample_weight` | array | 各样本权重；默认值为 `nil` |
|
||||
|
||||
返回：array
|
||||
|
||||
## `decisionTreeRegressor`
|
||||
|
||||
声明：class
|
||||
|
||||
使用决策树进行回归并支持决策路径和成本复杂度剪枝
|
||||
|
||||
<!-- tags: 机器学习 决策树 回归 -->
|
||||
|
||||
### `Criterion`
|
||||
|
||||
声明：field
|
||||
|
||||
切分质量衡量标准，默认 `squared_error`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：string
|
||||
|
||||
### `Splitter`
|
||||
|
||||
声明：field
|
||||
|
||||
节点拆分策略，可选 `best` 或 `random`，默认 `best`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：string
|
||||
|
||||
### `Max_depth`
|
||||
|
||||
声明：field
|
||||
|
||||
树的最大深度；为空时继续展开直到满足停止条件
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：integer
|
||||
|
||||
### `Random_state`
|
||||
|
||||
声明：field
|
||||
|
||||
控制估计器随机性以便复现结果
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：integer
|
||||
|
||||
### `Ccp_alpha`
|
||||
|
||||
声明：field
|
||||
|
||||
最小成本复杂性剪枝参数，默认 0.0
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：real
|
||||
|
||||
### `Feature_importances_`
|
||||
|
||||
声明：field
|
||||
|
||||
训练后得到的特征重要程度
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `create(criterion, splitter, max_depth, min_samples_split, min_samples_leaf, min_weight_fraction_leaf, max_features, random_state, max_leaf_nodes, min_impurity_decrease, ccp_alpha)`
|
||||
|
||||
声明：function
|
||||
|
||||
初始化决策树回归器
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| -------------------------- | ------------- | ---------------------------------- |
|
||||
| `criterion` | string | 切分质量衡量标准 |
|
||||
| `splitter` | string | 节点拆分策略 |
|
||||
| `max_depth` | integer | 树的最大深度 |
|
||||
| `min_samples_split` | integer\|real | 拆分内部节点所需的最小样本数或比例 |
|
||||
| `min_samples_leaf` | integer\|real | 叶节点所需的最小样本数或比例 |
|
||||
| `min_weight_fraction_leaf` | real | 叶节点的最小加权比例 |
|
||||
| `max_features` | any | 寻找最佳分割时考虑的特征数量 |
|
||||
| `random_state` | integer | 随机状态 |
|
||||
| `max_leaf_nodes` | integer | 最大叶节点数 |
|
||||
| `min_impurity_decrease` | real | 允许切分的最小不纯度下降值 |
|
||||
| `ccp_alpha` | real | 最小成本复杂性剪枝参数 |
|
||||
|
||||
### `Fit(X, y, sample_weight, check_input)`
|
||||
|
||||
声明：function
|
||||
|
||||
根据训练集建立决策树回归器
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ------- | ----------------------------- |
|
||||
| `X` | array | 二维训练特征数组 |
|
||||
| `y` | array | 回归目标或多输出目标数组 |
|
||||
| `sample_weight` | array | 各样本权重；默认值为 `nil` |
|
||||
| `check_input` | boolean | 是否执行输入检查，默认 `True` |
|
||||
|
||||
### `Get_depth()`
|
||||
|
||||
声明：function
|
||||
|
||||
返回决策树深度
|
||||
|
||||
可见性：`public`
|
||||
|
||||
返回：integer
|
||||
|
||||
### `Get_n_leaves()`
|
||||
|
||||
声明：function
|
||||
|
||||
返回决策树叶节点数
|
||||
|
||||
可见性：`public`
|
||||
|
||||
返回：integer
|
||||
|
||||
### `Predict(X, check_input)`
|
||||
|
||||
声明：function
|
||||
|
||||
预测输入样本的回归值
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ------------- | ------- | ----------------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
| `check_input` | boolean | 是否执行输入检查，默认 `True` |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Decision_path(X, check_input)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回样本通过决策树节点的决策路径
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ------------- | ------- | ----------------------------- |
|
||||
| `X` | array | 需要计算路径的二维特征数组 |
|
||||
| `check_input` | boolean | 是否执行输入检查，默认 `True` |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Get_feature_importances_()`
|
||||
|
||||
声明：function
|
||||
|
||||
返回按特征归一化的特征重要程度
|
||||
|
||||
可见性：`public`
|
||||
|
||||
返回：array
|
||||
|
||||
### `Cost_complexity_pruning_path(X, y, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
计算最小成本复杂性剪枝路径
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------- |
|
||||
| `X` | array | 二维训练特征数组 |
|
||||
| `y` | array | 回归目标或多输出目标数组 |
|
||||
| `sample_weight` | array | 各样本权重；默认值为 `nil` |
|
||||
|
||||
返回：array
|
||||
|
||||
## `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
|
||||
|
||||
## `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
|
||||
|
||||
## `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
|
||||
|
||||
## `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
|
||||
+629
@@ -0,0 +1,629 @@
|
||||
# 应用专题 / 数学算法 / 朴素贝叶斯
|
||||
|
||||
## `gaussianNB`
|
||||
|
||||
声明：class
|
||||
|
||||
假设连续特征服从高斯分布的朴素贝叶斯分类器
|
||||
|
||||
<!-- tags: 机器学习 朴素贝叶斯 高斯分布 分类 -->
|
||||
|
||||
### `Classes_`
|
||||
|
||||
声明：field
|
||||
|
||||
训练后得到的类别取值范围
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Class_prior_`
|
||||
|
||||
声明：field
|
||||
|
||||
训练后得到的各类别先验概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Class_count_`
|
||||
|
||||
声明：field
|
||||
|
||||
各类别用于训练的样本观测数
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Priors`
|
||||
|
||||
声明：field
|
||||
|
||||
用户指定的类别先验概率；为空时从训练样本自动计算
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Theta_`
|
||||
|
||||
声明：field
|
||||
|
||||
训练后得到的各类别、各特征均值
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Sigma_`
|
||||
|
||||
声明：field
|
||||
|
||||
训练后得到的各类别、各特征方差
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `create(priors)`
|
||||
|
||||
声明：function
|
||||
|
||||
使用指定的类别先验概率初始化分类器
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| -------- | ----- | ------------------------------------ |
|
||||
| `priors` | array | 指定的各类别先验概率；默认值为 `nil` |
|
||||
|
||||
### `Fit(X, y, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
一次性拟合全部训练数据；`sample_weight` 为每个训练样本的权重
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------------- |
|
||||
| `X` | array | 二维训练特征数组 |
|
||||
| `y` | array | 一维类别标签数组 |
|
||||
| `sample_weight` | array | 各训练样本的权重；默认值为 `nil` |
|
||||
|
||||
### `Partial_fit(X, y, classes, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
增量拟合一批训练数据；首次调用时通过 `classes` 给出全部可能类别
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------------- |
|
||||
| `X` | array | 本批次的二维训练特征数组 |
|
||||
| `y` | array | 本批次的一维类别标签数组 |
|
||||
| `classes` | array | 可能出现在 `y` 中的全部类别 |
|
||||
| `sample_weight` | array | 各训练样本的权重；默认值为 `nil` |
|
||||
|
||||
### `Predict(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
预测输入样本的类别标签
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Predict_log_proba(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回输入样本属于各类别的对数概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Predict_proba(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回输入样本属于各类别的概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
## `multinomialNB`
|
||||
|
||||
声明：class
|
||||
|
||||
假设离散特征服从多项分布的朴素贝叶斯分类器
|
||||
|
||||
<!-- tags: 机器学习 朴素贝叶斯 多项分布 分类 -->
|
||||
|
||||
### `Classes_`
|
||||
|
||||
声明：field
|
||||
|
||||
训练后得到的类别取值范围
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Class_prior`
|
||||
|
||||
声明：field
|
||||
|
||||
各类别的先验概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Class_log_prior_`
|
||||
|
||||
声明：field
|
||||
|
||||
各类别的对数先验概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Feature_count_`
|
||||
|
||||
声明：field
|
||||
|
||||
拟合期间各类别、各特征的加权样本数
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Feature_log_prob_`
|
||||
|
||||
声明：field
|
||||
|
||||
给定类别时各特征的经验对数概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Class_count_`
|
||||
|
||||
声明：field
|
||||
|
||||
各类别用于训练的样本观测数
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Alpha`
|
||||
|
||||
声明：field
|
||||
|
||||
拉普拉斯或 Lidstone 加法平滑因子，默认 1.0
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：real
|
||||
|
||||
### `Fit_prior`
|
||||
|
||||
声明：field
|
||||
|
||||
是否从训练样本学习类别先验概率，默认 `True`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：boolean
|
||||
|
||||
### `create(alpha, fit_prior, class_prior)`
|
||||
|
||||
声明：function
|
||||
|
||||
使用平滑因子、先验学习开关和可选先验概率初始化分类器
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ------------- | ------- | ----------------------------------- |
|
||||
| `alpha` | real | 加法平滑因子，默认 1.0 |
|
||||
| `fit_prior` | boolean | 是否从样本学习先验概率，默认 `True` |
|
||||
| `class_prior` | array | 指定的类别先验概率；默认值为 `nil` |
|
||||
|
||||
### `Fit(X, y, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
一次性拟合全部训练数据
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------------- |
|
||||
| `X` | array | 二维训练特征数组 |
|
||||
| `y` | array | 一维类别标签数组 |
|
||||
| `sample_weight` | array | 各训练样本的权重；默认值为 `nil` |
|
||||
|
||||
### `Partial_fit(X, y, classes, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
增量拟合一批训练数据
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------------- |
|
||||
| `X` | array | 本批次的二维训练特征数组 |
|
||||
| `y` | array | 本批次的一维类别标签数组 |
|
||||
| `classes` | array | 可能出现在 `y` 中的全部类别 |
|
||||
| `sample_weight` | array | 各训练样本的权重；默认值为 `nil` |
|
||||
|
||||
### `Predict(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
预测输入样本的类别标签
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Predict_log_proba(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回输入样本属于各类别的对数概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Predict_proba(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回输入样本属于各类别的概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
## `bernoulliNB`
|
||||
|
||||
声明：class
|
||||
|
||||
假设离散特征服从多元伯努利分布的朴素贝叶斯分类器
|
||||
|
||||
<!-- tags: 机器学习 朴素贝叶斯 伯努利分布 分类 -->
|
||||
|
||||
### `Classes_`
|
||||
|
||||
声明：field
|
||||
|
||||
训练后得到的类别取值范围
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Class_prior`
|
||||
|
||||
声明：field
|
||||
|
||||
各类别的先验概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Class_log_prior_`
|
||||
|
||||
声明：field
|
||||
|
||||
各类别的对数先验概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Feature_count_`
|
||||
|
||||
声明：field
|
||||
|
||||
拟合期间各类别、各特征的加权样本数
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Feature_log_prob_`
|
||||
|
||||
声明：field
|
||||
|
||||
给定类别时各特征的经验对数概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Class_count_`
|
||||
|
||||
声明：field
|
||||
|
||||
各类别用于训练的样本观测数
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Alpha`
|
||||
|
||||
声明：field
|
||||
|
||||
拉普拉斯或 Lidstone 加法平滑因子，默认 1.0
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：real
|
||||
|
||||
### `Binarize`
|
||||
|
||||
声明：field
|
||||
|
||||
将样本特征映射为布尔值的阈值，默认 0.0
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：real
|
||||
|
||||
### `Fit_prior`
|
||||
|
||||
声明：field
|
||||
|
||||
是否从训练样本学习类别先验概率，默认 `True`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：boolean
|
||||
|
||||
### `create(alpha, binarize, fit_prior, class_prior)`
|
||||
|
||||
声明：function
|
||||
|
||||
使用平滑因子、二值化阈值和先验设置初始化分类器
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ------------- | ------- | ----------------------------------- |
|
||||
| `alpha` | real | 加法平滑因子，默认 1.0 |
|
||||
| `binarize` | real | 特征二值化阈值，默认 0.0 |
|
||||
| `fit_prior` | boolean | 是否从样本学习先验概率，默认 `True` |
|
||||
| `class_prior` | array | 指定的类别先验概率；默认值为 `nil` |
|
||||
|
||||
### `Fit(X, y, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
一次性拟合全部训练数据
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------------- |
|
||||
| `X` | array | 二维训练特征数组 |
|
||||
| `y` | array | 一维类别标签数组 |
|
||||
| `sample_weight` | array | 各训练样本的权重；默认值为 `nil` |
|
||||
|
||||
### `Partial_fit(X, y, classes, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
增量拟合一批训练数据
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------------- |
|
||||
| `X` | array | 本批次的二维训练特征数组 |
|
||||
| `y` | array | 本批次的一维类别标签数组 |
|
||||
| `classes` | array | 可能出现在 `y` 中的全部类别 |
|
||||
| `sample_weight` | array | 各训练样本的权重；默认值为 `nil` |
|
||||
|
||||
### `Predict(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
预测输入样本的类别标签
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Predict_log_proba(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回输入样本属于各类别的对数概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Predict_proba(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回输入样本属于各类别的概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
## `naiveBayesTotal`
|
||||
|
||||
声明：class
|
||||
|
||||
支持连续特征与离散特征混合分布的朴素贝叶斯综合分类器
|
||||
|
||||
<!-- tags: 机器学习 朴素贝叶斯 混合分布 分类 -->
|
||||
|
||||
### `Classes_`
|
||||
|
||||
声明：field
|
||||
|
||||
训练后得到的类别取值范围
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Feature_distribution`
|
||||
|
||||
声明：field
|
||||
|
||||
各特征的分布类型；元素可为 `normal`、`mn` 或 `bn`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Class_priors`
|
||||
|
||||
声明：field
|
||||
|
||||
各类别的先验概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Class_count_`
|
||||
|
||||
声明：field
|
||||
|
||||
各类别用于训练的样本观测数
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `create(priors)`
|
||||
|
||||
声明：function
|
||||
|
||||
使用指定的类别先验概率初始化分类器
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| -------- | ----- | ------------------------------------ |
|
||||
| `priors` | array | 指定的各类别先验概率；默认值为 `nil` |
|
||||
|
||||
### `Fit(X, y, distribution, alpha_mn, alpha_bn, binarize, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
按每个特征指定的分布拟合混合朴素贝叶斯模型
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | ---------------------------------- |
|
||||
| `X` | array | 二维训练特征数组 |
|
||||
| `y` | array | 一维类别标签数组 |
|
||||
| `distribution` | array | 各特征的分布类型 |
|
||||
| `alpha_mn` | real | 多项分布模型的平滑因子，默认 1 |
|
||||
| `alpha_bn` | real | 伯努利分布模型的平滑因子，默认 1 |
|
||||
| `binarize` | real | 伯努利分布模型的二值化阈值，默认 0 |
|
||||
| `sample_weight` | array | 各训练样本的权重；默认值为 `nil` |
|
||||
|
||||
### `Predict(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
预测输入样本的类别标签
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Predict_log_proba(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回输入样本属于各类别的对数概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Predict_proba(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回输入样本属于各类别的概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
+546
@@ -0,0 +1,546 @@
|
||||
# 应用专题 / 数学算法 / 神经网络
|
||||
|
||||
## `mlpClassifier`
|
||||
|
||||
声明：class
|
||||
|
||||
使用多层感知机进行监督分类的神经网络模型
|
||||
|
||||
<!-- tags: 机器学习 神经网络 多层感知机 分类 -->
|
||||
|
||||
### `Hidden_layer_sizes`
|
||||
|
||||
声明：field
|
||||
|
||||
各隐藏层的神经元数量，默认 `array(100)`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Activation`
|
||||
|
||||
声明：field
|
||||
|
||||
隐藏层激活函数，默认 `relu`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：string
|
||||
|
||||
### `Solver`
|
||||
|
||||
声明：field
|
||||
|
||||
权重优化求解器，默认 `adam`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：string
|
||||
|
||||
### `Learning_rate`
|
||||
|
||||
声明：field
|
||||
|
||||
权重更新的学习率时间表，默认 `constant`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：string
|
||||
|
||||
### `Max_iter`
|
||||
|
||||
声明：field
|
||||
|
||||
最大迭代次数，默认 200
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：integer
|
||||
|
||||
### `Early_stopping`
|
||||
|
||||
声明：field
|
||||
|
||||
验证得分不再改善时是否提前终止训练，默认 `False`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：boolean
|
||||
|
||||
### `Classes_`
|
||||
|
||||
声明：field
|
||||
|
||||
训练后得到的各输出类别标签
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Loss_`
|
||||
|
||||
声明：field
|
||||
|
||||
当前训练损失
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：real
|
||||
|
||||
### `create(hidden_layer_sizes, activation, solver, alpha, batch_size, learning_rate, learning_rate_init, power_t, max_iter, shuffle, random_state, tol, verbose, warm_start, momentum, nesterovs_momentum, early_stopping, validation_fraction, beta_1, beta_2, epsilon, n_iter_no_change, max_fun)`
|
||||
|
||||
声明：function
|
||||
|
||||
初始化多层感知机分类器
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------------- | --------------- | --------------------------- |
|
||||
| `hidden_layer_sizes` | array | 各隐藏层的神经元数量 |
|
||||
| `activation` | string | 隐藏层激活函数 |
|
||||
| `solver` | string | 权重优化求解器 |
|
||||
| `alpha` | real | L2 正则化强度 |
|
||||
| `batch_size` | integer\|string | 随机优化器的批量大小 |
|
||||
| `learning_rate` | string | 学习率时间表 |
|
||||
| `learning_rate_init` | real | 初始学习率 |
|
||||
| `power_t` | real | 反比例学习率指数 |
|
||||
| `max_iter` | integer | 最大迭代次数 |
|
||||
| `shuffle` | boolean | 每次迭代是否随机取样 |
|
||||
| `random_state` | integer | 随机状态 |
|
||||
| `tol` | real | 优化停止容差 |
|
||||
| `verbose` | boolean | 是否打印训练进度 |
|
||||
| `warm_start` | boolean | 是否复用上次拟合结果 |
|
||||
| `momentum` | real | 梯度下降动量 |
|
||||
| `nesterovs_momentum` | boolean | 是否使用 Nesterov 动量 |
|
||||
| `early_stopping` | boolean | 是否启用提前停止 |
|
||||
| `validation_fraction` | real | 提前停止时保留的验证集比例 |
|
||||
| `beta_1` | real | Adam 第一矩估计的指数衰减率 |
|
||||
| `beta_2` | real | Adam 第二矩估计的指数衰减率 |
|
||||
| `epsilon` | real | Adam 数值稳定参数 |
|
||||
| `n_iter_no_change` | integer | 未改善时允许的最大迭代轮数 |
|
||||
| `max_fun` | integer | 最大函数调用次数 |
|
||||
|
||||
### `Fit(X, y)`
|
||||
|
||||
声明：function
|
||||
|
||||
根据特征矩阵和类别目标拟合模型
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------- |
|
||||
| `X` | array | 二维训练特征数组 |
|
||||
| `y` | array | 类别目标数组 |
|
||||
|
||||
### `Partial_fit(X, y, classes)`
|
||||
|
||||
声明：function
|
||||
|
||||
对一批数据执行一次增量训练
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------- | ----- | ---------------------------- |
|
||||
| `X` | array | 本批次的二维训练特征数组 |
|
||||
| `y` | array | 本批次的类别目标数组 |
|
||||
| `classes` | array | 首次调用时提供的全部可能类别 |
|
||||
|
||||
### `Predict(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
预测输入样本的类别标签
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Predict_log_proba(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回输入样本属于各类别的对数概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Predict_proba(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回输入样本属于各类别的概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Score(X, y, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回给定测试数据和标签的平均准确率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------- |
|
||||
| `X` | array | 二维测试特征数组 |
|
||||
| `y` | array | 真实类别标签 |
|
||||
| `sample_weight` | array | 各样本权重；默认值为 `nil` |
|
||||
|
||||
返回：real
|
||||
|
||||
## `mlpRegressor`
|
||||
|
||||
声明：class
|
||||
|
||||
使用多层感知机进行监督回归的神经网络模型
|
||||
|
||||
<!-- tags: 机器学习 神经网络 多层感知机 回归 -->
|
||||
|
||||
### `Hidden_layer_sizes`
|
||||
|
||||
声明：field
|
||||
|
||||
各隐藏层的神经元数量，默认 `array(100)`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Activation`
|
||||
|
||||
声明：field
|
||||
|
||||
隐藏层激活函数，默认 `relu`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：string
|
||||
|
||||
### `Solver`
|
||||
|
||||
声明：field
|
||||
|
||||
权重优化求解器，默认 `adam`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：string
|
||||
|
||||
### `Learning_rate`
|
||||
|
||||
声明：field
|
||||
|
||||
权重更新的学习率时间表，默认 `constant`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：string
|
||||
|
||||
### `Max_iter`
|
||||
|
||||
声明：field
|
||||
|
||||
最大迭代次数，默认 200
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：integer
|
||||
|
||||
### `Early_stopping`
|
||||
|
||||
声明：field
|
||||
|
||||
验证得分不再改善时是否提前终止训练，默认 `False`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：boolean
|
||||
|
||||
### `Loss_`
|
||||
|
||||
声明：field
|
||||
|
||||
当前训练损失
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：real
|
||||
|
||||
### `create(hidden_layer_sizes, activation, solver, alpha, batch_size, learning_rate, learning_rate_init, power_t, max_iter, shuffle, random_state, tol, verbose, warm_start, momentum, nesterovs_momentum, early_stopping, validation_fraction, beta_1, beta_2, epsilon, n_iter_no_change, max_fun)`
|
||||
|
||||
声明：function
|
||||
|
||||
初始化多层感知机回归器
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------------- | --------------- | -------------------------- |
|
||||
| `hidden_layer_sizes` | array | 各隐藏层的神经元数量 |
|
||||
| `activation` | string | 隐藏层激活函数 |
|
||||
| `solver` | string | 权重优化求解器 |
|
||||
| `alpha` | real | L2 正则化强度 |
|
||||
| `batch_size` | integer\|string | 随机优化器的批量大小 |
|
||||
| `learning_rate` | string | 学习率时间表 |
|
||||
| `learning_rate_init` | real | 初始学习率 |
|
||||
| `power_t` | real | 反比例学习率指数 |
|
||||
| `max_iter` | integer | 最大迭代次数 |
|
||||
| `shuffle` | boolean | 每次迭代是否随机取样 |
|
||||
| `random_state` | integer | 随机状态 |
|
||||
| `tol` | real | 优化停止容差 |
|
||||
| `verbose` | boolean | 是否打印训练进度 |
|
||||
| `warm_start` | boolean | 是否复用上次拟合结果 |
|
||||
| `momentum` | real | 梯度下降动量 |
|
||||
| `nesterovs_momentum` | boolean | 是否使用 Nesterov 动量 |
|
||||
| `early_stopping` | boolean | 是否启用提前停止 |
|
||||
| `validation_fraction` | real | 提前停止时保留的验证集比例 |
|
||||
| `beta_1` | real | Adam 第一矩估计指数衰减率 |
|
||||
| `beta_2` | real | Adam 第二矩估计指数衰减率 |
|
||||
| `epsilon` | real | Adam 数值稳定参数 |
|
||||
| `n_iter_no_change` | integer | 未改善时允许的最大迭代轮数 |
|
||||
| `max_fun` | integer | 最大函数调用次数 |
|
||||
|
||||
### `Fit(X, y)`
|
||||
|
||||
声明：function
|
||||
|
||||
根据特征矩阵和回归目标拟合模型
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------- |
|
||||
| `X` | array | 二维训练特征数组 |
|
||||
| `y` | array | 回归目标数组 |
|
||||
|
||||
### `Partial_fit(X, y, classes)`
|
||||
|
||||
声明：function
|
||||
|
||||
对一批数据执行一次增量训练
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------- | ----- | ---------------------------- |
|
||||
| `X` | array | 本批次的二维训练特征数组 |
|
||||
| `y` | array | 本批次的回归目标数组 |
|
||||
| `classes` | array | 原始文档定义的增量训练类参数 |
|
||||
|
||||
### `Predict(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
预测输入样本的回归值
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Score(X, y, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回预测值相对于真实值的决定系数 R 方
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------- |
|
||||
| `X` | array | 二维测试特征数组 |
|
||||
| `y` | array | 真实回归目标 |
|
||||
| `sample_weight` | array | 各样本权重；默认值为 `nil` |
|
||||
|
||||
返回：real
|
||||
|
||||
## `bernoulliRBM`
|
||||
|
||||
声明：class
|
||||
|
||||
使用伯努利可见单元和隐藏单元的限制玻尔兹曼机模型
|
||||
|
||||
<!-- tags: 机器学习 神经网络 玻尔兹曼机 特征学习 -->
|
||||
|
||||
### `N_components`
|
||||
|
||||
声明：field
|
||||
|
||||
二进制隐藏单元数，默认 256
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：integer
|
||||
|
||||
### `Learning_rate`
|
||||
|
||||
声明：field
|
||||
|
||||
权重更新的学习率，默认 0.1
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：real
|
||||
|
||||
### `Batch_size`
|
||||
|
||||
声明：field
|
||||
|
||||
每个训练批次的样本数量，默认 10
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：integer
|
||||
|
||||
### `N_iter`
|
||||
|
||||
声明：field
|
||||
|
||||
扫描训练数据集的次数，默认 10
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：integer
|
||||
|
||||
### `Components_`
|
||||
|
||||
声明：field
|
||||
|
||||
隐藏单元到可见特征的权重矩阵
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `H_samples_`
|
||||
|
||||
声明：field
|
||||
|
||||
从模型分布采样得到的隐藏单元激活状态矩阵
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `create(n_components, learning_rate, batch_size, n_iter, verbose, random_state)`
|
||||
|
||||
声明：function
|
||||
|
||||
初始化伯努利限制玻尔兹曼机
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ------- | ------------------ |
|
||||
| `n_components` | integer | 二进制隐藏单元数 |
|
||||
| `learning_rate` | real | 权重更新学习率 |
|
||||
| `batch_size` | integer | 每个批次的样本数量 |
|
||||
| `n_iter` | integer | 训练数据扫描次数 |
|
||||
| `verbose` | integer | 输出级别 |
|
||||
| `random_state` | integer | 随机状态 |
|
||||
|
||||
### `Fit(X, y)`
|
||||
|
||||
声明：function
|
||||
|
||||
根据输入数据拟合模型；`y` 仅用于保持接口一致
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------- |
|
||||
| `X` | array | 二维训练特征数组 |
|
||||
| `y` | any | 未使用的兼容参数 |
|
||||
|
||||
### `Fit_transform(X, y, fit_params)`
|
||||
|
||||
声明：function
|
||||
|
||||
拟合模型并将数据转换为隐藏层表征
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ------------ | ----- | -------------------- |
|
||||
| `X` | array | 二维训练特征数组 |
|
||||
| `y` | any | 未使用的兼容参数 |
|
||||
| `fit_params` | array | 传递给拟合过程的参数 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Gibbs(v)`
|
||||
|
||||
声明：function
|
||||
|
||||
执行一个 Gibbs 采样步骤并返回新的可见层数据
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------- |
|
||||
| `v` | array | 可见层数据 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Partial_fit(X, y)`
|
||||
|
||||
声明：function
|
||||
|
||||
使用一个数据分片增量拟合模型；`y` 仅用于保持接口一致
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------- |
|
||||
| `X` | array | 二维训练特征数组 |
|
||||
| `y` | any | 未使用的兼容参数 |
|
||||
|
||||
### `Score_samples(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
计算输入样本的伪似然
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 布尔值构成的可见层数据 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Transform(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
计算隐藏层激活概率并返回数据的潜在表征
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | -------------- |
|
||||
| `X` | array | 需要转换的数据 |
|
||||
|
||||
返回：array
|
||||
+16
@@ -0,0 +1,16 @@
|
||||
# 应用专题 / 数学算法
|
||||
|
||||
## `frameMean_targetMean(data, b_type)`
|
||||
|
||||
声明：function
|
||||
|
||||
计算均值压缩估计使用的目标均值向量
|
||||
|
||||
<!-- tags: 数学算法 压缩估计 均值 -->
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| -------- | ------ | ------------------------------------------------------------------------------- |
|
||||
| `data` | array | 二维数据表，T×N，T 期样本数量，N 个股票 |
|
||||
| `b_type` | string | 目标均值向量：b0 零向量、b1 均值、b2 波动率加权均值、b3 样本均值的均方误差 |
|
||||
|
||||
返回：array
|
||||
+167
@@ -0,0 +1,167 @@
|
||||
# 应用专题 / 数学算法
|
||||
|
||||
## `call_py_func(module, func_name, params_arr)`
|
||||
|
||||
声明：function
|
||||
|
||||
对 pycall 的以参数数组调用方式进行封装，如果运行状态返回值错误则报错
|
||||
|
||||
<!-- tags: 执行 列表 集合 机器学习 -->
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ------------ | -------------------- | ---------------------------------------------------------------------------------------------------------------------- |
|
||||
| `module` | string_or_python_obj | 字符串，模块名，或者获取的 Python 对象 |
|
||||
| `func_name` | string | 字符串，函数名 |
|
||||
| `params_arr` | array | 数组，调用函数时的参数组成的数组， 字符串下标表示命名参数， 调用时如果不给参数， 表示取属性，给 nil 表示无参数调用函数 |
|
||||
|
||||
返回：any
|
||||
|
||||
## `clear_py_var()`
|
||||
|
||||
声明：function
|
||||
|
||||
清除 python 环境中的变量
|
||||
|
||||
<!-- tags: 删除 清理 脚本交互 机器学习 -->
|
||||
|
||||
返回：any
|
||||
|
||||
## `del_py_var(var_name)`
|
||||
|
||||
声明：function
|
||||
|
||||
删除 python 环境中的指定变量
|
||||
|
||||
<!-- tags: 清理 脚本交互 机器学习 -->
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---------- | ------ | ---------------------------------------------------- |
|
||||
| `var_name` | string | 删除 python 环境中的指定变量使用的 `var_name` 输入值 |
|
||||
|
||||
返回：any
|
||||
|
||||
## `generate_var_name()`
|
||||
|
||||
声明：function
|
||||
|
||||
自动生成变量名
|
||||
|
||||
<!-- tags: 机器学习 -->
|
||||
|
||||
返回：string
|
||||
|
||||
## `get_py_syspath()`
|
||||
|
||||
声明：function
|
||||
|
||||
获得 sys.path
|
||||
|
||||
<!-- tags: 查询 机器学习 -->
|
||||
|
||||
返回：array
|
||||
|
||||
## `get_py_var()`
|
||||
|
||||
声明：function
|
||||
|
||||
获取 python 环境中的变量列表
|
||||
|
||||
<!-- tags: 查询 脚本交互 机器学习 -->
|
||||
|
||||
返回：array
|
||||
|
||||
## `get_py_var_type(var_name)`
|
||||
|
||||
声明：function
|
||||
|
||||
获取 python 环境中的变量名为 var_name 的变量的数据类型
|
||||
|
||||
<!-- tags: 查询 脚本交互 机器学习 -->
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---------- | ------ | -------------- |
|
||||
| `var_name` | string | 字符串，变量名 |
|
||||
|
||||
返回：string
|
||||
|
||||
## `get_pyput_type(data)`
|
||||
|
||||
声明：function
|
||||
|
||||
获取 data 在 pyputvar 之后在 python 中的数据类型
|
||||
|
||||
<!-- tags: 查询 脚本交互 机器学习 -->
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ------ | ---- | ------------ |
|
||||
| `data` | any | 任意数据类型 |
|
||||
|
||||
返回：string
|
||||
|
||||
## `ols(x, y)`
|
||||
|
||||
声明：function
|
||||
|
||||
提供基于sklearn天软模型开发中的 `ols` 功能
|
||||
|
||||
<!-- tags: 机器学习 -->
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ------------------------ |
|
||||
| `x` | array | 模型输入特征或自变量数据 |
|
||||
| `y` | any | 模型训练目标或因变量数据 |
|
||||
|
||||
返回：any
|
||||
|
||||
## `reload_py_module(module_name)`
|
||||
|
||||
声明：function
|
||||
|
||||
重载模块
|
||||
|
||||
<!-- tags: 机器学习 -->
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ------------- | ------ | ----------------------------- |
|
||||
| `module_name` | string | 字符串，模块名 3.1.3 交互执行 |
|
||||
|
||||
返回：any
|
||||
|
||||
## `reset_py_env()`
|
||||
|
||||
声明：function
|
||||
|
||||
重置 python 环境
|
||||
|
||||
<!-- tags: 脚本交互 机器学习 -->
|
||||
|
||||
返回：any
|
||||
|
||||
## `tspy_pygetvar(var_name)`
|
||||
|
||||
声明：function
|
||||
|
||||
对 pygetvar 进行封装，获取的变量不存在则报错
|
||||
|
||||
<!-- tags: 查询 机器学习 -->
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---------- | ------ | -------------- |
|
||||
| `var_name` | string | 字符串，变量名 |
|
||||
|
||||
返回：any
|
||||
|
||||
## `tspy_pyrun(py_code, flag)`
|
||||
|
||||
声明：function
|
||||
|
||||
对 pyrun 进行封装，如果 pyrun 运行出错会报错
|
||||
|
||||
<!-- tags: 执行 调用 机器学习 -->
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------- | ------- | --------------------------------------------------------------------------- |
|
||||
| `py_code` | string | 字符串，要执行的 python 代码 |
|
||||
| `flag` | integer | 参考《应用专题-第三方交互 07：天软平台和 PYTHON 的交互》中 pyrun 接口的说明 |
|
||||
|
||||
返回：any
|
||||
+961
@@ -0,0 +1,961 @@
|
||||
# 应用专题 / 数学算法 / 支持向量机
|
||||
|
||||
## `linearSVC`
|
||||
|
||||
声明：class
|
||||
|
||||
基于线性核的支持向量分类器
|
||||
|
||||
<!-- tags: 机器学习 支持向量机 线性分类 -->
|
||||
|
||||
### `Penalty`
|
||||
|
||||
声明：field
|
||||
|
||||
惩罚规范，可选 `l1` 或 `l2`，默认 `l2`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：string
|
||||
|
||||
### `Loss`
|
||||
|
||||
声明：field
|
||||
|
||||
损失函数，默认 `squared_hinge`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：string
|
||||
|
||||
### `Dual`
|
||||
|
||||
声明：field
|
||||
|
||||
是否求解对偶优化问题，也可设置为 `auto`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：boolean|string
|
||||
|
||||
### `C`
|
||||
|
||||
声明：field
|
||||
|
||||
正则化参数，默认 1.0
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：real
|
||||
|
||||
### `Classes_`
|
||||
|
||||
声明：field
|
||||
|
||||
训练后得到的唯一类别标签
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `create(penalty, loss, dual, tol, C, multi_class, fit_intercept, intercept_scaling, class_weight, verbose, random_state, max_iter)`
|
||||
|
||||
声明：function
|
||||
|
||||
初始化线性支持向量分类器
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ------------------- | --------------- | ---------------- |
|
||||
| `penalty` | string | 惩罚规范 |
|
||||
| `loss` | string | 损失函数 |
|
||||
| `dual` | boolean\|string | 对偶问题求解方式 |
|
||||
| `tol` | real | 停止容差 |
|
||||
| `C` | real | 正则化参数 |
|
||||
| `multi_class` | string | 多类别策略 |
|
||||
| `fit_intercept` | boolean | 是否拟合截距 |
|
||||
| `intercept_scaling` | real | 截距缩放系数 |
|
||||
| `class_weight` | any | 类别权重 |
|
||||
| `verbose` | integer | 输出级别 |
|
||||
| `random_state` | integer | 随机状态 |
|
||||
| `max_iter` | integer | 最大迭代次数 |
|
||||
|
||||
### `Decision_function(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回样本相对分类超平面的置信度
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要评分的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Fit(X, y, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
根据给定训练数据拟合模型
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------- |
|
||||
| `X` | array | 二维训练特征数组 |
|
||||
| `y` | array | 类别目标数组 |
|
||||
| `sample_weight` | array | 各样本权重；默认值为 `nil` |
|
||||
|
||||
### `Predict(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
预测输入样本的类别标签
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Score(X, y, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回给定测试数据和标签的平均准确率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------- |
|
||||
| `X` | array | 二维测试特征数组 |
|
||||
| `y` | array | 真实类别标签 |
|
||||
| `sample_weight` | array | 各样本权重；默认值为 `nil` |
|
||||
|
||||
返回：real
|
||||
|
||||
## `linearSVR`
|
||||
|
||||
声明：class
|
||||
|
||||
基于线性核的支持向量回归模型
|
||||
|
||||
<!-- tags: 机器学习 支持向量机 线性回归 -->
|
||||
|
||||
### `Epsilon`
|
||||
|
||||
声明：field
|
||||
|
||||
epsilon 损失函数的容忍区间，默认 0.0
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：real
|
||||
|
||||
### `C`
|
||||
|
||||
声明：field
|
||||
|
||||
正则化参数，默认 1.0
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：real
|
||||
|
||||
### `Loss`
|
||||
|
||||
声明：field
|
||||
|
||||
损失函数，默认 `epsilon_insensitive`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：string
|
||||
|
||||
### `Dual`
|
||||
|
||||
声明：field
|
||||
|
||||
是否求解对偶优化问题，也可设置为 `auto`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：boolean|string
|
||||
|
||||
### `create(epsilon, tol, C, loss, fit_intercept, intercept_scaling, dual, verbose, random_state, max_iter)`
|
||||
|
||||
声明：function
|
||||
|
||||
初始化线性支持向量回归器
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ------------------- | --------------- | ---------------- |
|
||||
| `epsilon` | real | epsilon 容忍区间 |
|
||||
| `tol` | real | 停止容差 |
|
||||
| `C` | real | 正则化参数 |
|
||||
| `loss` | string | 损失函数 |
|
||||
| `fit_intercept` | boolean | 是否拟合截距 |
|
||||
| `intercept_scaling` | real | 截距缩放系数 |
|
||||
| `dual` | boolean\|string | 对偶问题求解方式 |
|
||||
| `verbose` | integer | 输出级别 |
|
||||
| `random_state` | integer | 随机状态 |
|
||||
| `max_iter` | integer | 最大迭代次数 |
|
||||
|
||||
### `Fit(X, y, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
根据给定训练数据拟合模型
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------- |
|
||||
| `X` | array | 二维训练特征数组 |
|
||||
| `y` | array | 回归目标数组 |
|
||||
| `sample_weight` | array | 各样本权重；默认值为 `nil` |
|
||||
|
||||
### `Predict(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
使用线性模型预测输入样本的回归值
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Score(X, y, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回预测值相对于真实值的决定系数 R 方
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------- |
|
||||
| `X` | array | 二维测试特征数组 |
|
||||
| `y` | array | 真实回归目标 |
|
||||
| `sample_weight` | array | 各样本权重；默认值为 `nil` |
|
||||
|
||||
返回：real
|
||||
|
||||
## `nuSVC`
|
||||
|
||||
声明：class
|
||||
|
||||
使用参数 nu 控制支持向量比例和训练误差的支持向量分类器
|
||||
|
||||
<!-- tags: 机器学习 支持向量机 分类 -->
|
||||
|
||||
### `Nu`
|
||||
|
||||
声明：field
|
||||
|
||||
边际误差比例上限与支持向量比例下限，默认 0.5
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：real
|
||||
|
||||
### `Kernel`
|
||||
|
||||
声明：field
|
||||
|
||||
核函数类型，默认 `rbf`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：string
|
||||
|
||||
### `Gamma_`
|
||||
|
||||
声明：field
|
||||
|
||||
`rbf`、`poly` 和 `sigmoid` 核的系数
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：string|real
|
||||
|
||||
### `Probability`
|
||||
|
||||
声明：field
|
||||
|
||||
是否在拟合时启用概率估计，默认 `False`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：boolean
|
||||
|
||||
### `Classes_`
|
||||
|
||||
声明：field
|
||||
|
||||
训练后得到的类别标签
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `create(C, kernel, degree, gamma, coef0, shrinking, probability, tol, cache_size, class_weight, verbose, max_iter, decision_function_shape, break_ties, random_state)`
|
||||
|
||||
声明：function
|
||||
|
||||
初始化 Nu 支持向量分类器；参数名按原始接口文档记录
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ------------------------- | ------- | -------------------- |
|
||||
| `C` | real | 原始文档中的首个参数 |
|
||||
| `kernel` | string | 核函数类型 |
|
||||
| `degree` | integer | 多项式核次数 |
|
||||
| `gamma` | any | 核函数系数 |
|
||||
| `coef0` | real | 核函数独立项 |
|
||||
| `shrinking` | boolean | 是否使用缩小启发式 |
|
||||
| `probability` | boolean | 是否启用概率估计 |
|
||||
| `tol` | real | 停止容差 |
|
||||
| `cache_size` | integer | 核矩阵缓存元素数 |
|
||||
| `class_weight` | any | 类别权重 |
|
||||
| `verbose` | integer | 输出级别 |
|
||||
| `max_iter` | integer | 最大迭代次数 |
|
||||
| `decision_function_shape` | string | 决策函数形状 |
|
||||
| `break_ties` | boolean | 是否按置信度打破并列 |
|
||||
| `random_state` | integer | 随机状态 |
|
||||
|
||||
### `Decision_function(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
计算输入样本的决策函数值
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要评分的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Fit(X, y, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
根据给定训练数据拟合 SVM 模型
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------- |
|
||||
| `X` | array | 训练特征或预计算核矩阵 |
|
||||
| `y` | array | 类别目标数组 |
|
||||
| `sample_weight` | array | 各样本权重；默认值为 `nil` |
|
||||
|
||||
### `Predict(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
预测输入样本的类别标签
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 特征数组或预计算核矩阵 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Predict_log_proba(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回输入样本属于各类别的对数概率；拟合前需启用 `probability`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 特征数组或预计算核矩阵 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Predict_proba(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回输入样本属于各类别的概率；拟合前需启用 `probability`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 特征数组或预计算核矩阵 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Score(X, y, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回给定测试数据和标签的平均准确率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------- |
|
||||
| `X` | array | 二维测试特征数组 |
|
||||
| `y` | array | 真实类别标签 |
|
||||
| `sample_weight` | array | 各样本权重；默认值为 `nil` |
|
||||
|
||||
返回：real
|
||||
|
||||
## `nuSVR`
|
||||
|
||||
声明：class
|
||||
|
||||
使用参数 nu 控制支持向量比例和训练误差的支持向量回归模型
|
||||
|
||||
<!-- tags: 机器学习 支持向量机 回归 -->
|
||||
|
||||
### `Nu`
|
||||
|
||||
声明：field
|
||||
|
||||
训练误差比例上限与支持向量比例下限，默认 0.5
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：real
|
||||
|
||||
### `C`
|
||||
|
||||
声明：field
|
||||
|
||||
误差项惩罚参数，默认 1.0
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：real
|
||||
|
||||
### `Kernel`
|
||||
|
||||
声明：field
|
||||
|
||||
核函数类型，默认 `rbf`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：string
|
||||
|
||||
### `Gamma_`
|
||||
|
||||
声明：field
|
||||
|
||||
`rbf`、`poly` 和 `sigmoid` 核的系数
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：string|real
|
||||
|
||||
### `create(nu, C, kernel, degree, gamma, coef0, shrinking, tol, cache_size, verbose, max_iter)`
|
||||
|
||||
声明：function
|
||||
|
||||
初始化 Nu 支持向量回归器
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ------------ | ------- | ------------------ |
|
||||
| `nu` | real | Nu 约束参数 |
|
||||
| `C` | real | 误差项惩罚参数 |
|
||||
| `kernel` | string | 核函数类型 |
|
||||
| `degree` | integer | 多项式核次数 |
|
||||
| `gamma` | any | 核函数系数 |
|
||||
| `coef0` | real | 核函数独立项 |
|
||||
| `shrinking` | boolean | 是否使用缩小启发式 |
|
||||
| `tol` | real | 停止容差 |
|
||||
| `cache_size` | integer | 核矩阵缓存元素数 |
|
||||
| `verbose` | integer | 输出级别 |
|
||||
| `max_iter` | integer | 最大迭代次数 |
|
||||
|
||||
### `Fit(X, y, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
根据给定训练数据拟合 SVM 模型
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------- |
|
||||
| `X` | array | 训练特征或预计算核矩阵 |
|
||||
| `y` | array | 回归目标数组 |
|
||||
| `sample_weight` | array | 各样本权重；默认值为 `nil` |
|
||||
|
||||
### `Predict(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
预测输入样本的回归值
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 特征数组或预计算核矩阵 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Score(X, y, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回预测值相对于真实值的决定系数 R 方
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------- |
|
||||
| `X` | array | 二维测试特征数组 |
|
||||
| `y` | array | 真实回归目标 |
|
||||
| `sample_weight` | array | 各样本权重；默认值为 `nil` |
|
||||
|
||||
返回：real
|
||||
|
||||
## `oneClassSVM`
|
||||
|
||||
声明：class
|
||||
|
||||
用于离群点和新颖性检测的单类支持向量机
|
||||
|
||||
<!-- tags: 机器学习 支持向量机 离群检测 -->
|
||||
|
||||
### `Kernel`
|
||||
|
||||
声明：field
|
||||
|
||||
核函数类型，默认 `rbf`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：string
|
||||
|
||||
### `Gamma_`
|
||||
|
||||
声明：field
|
||||
|
||||
`rbf`、`poly` 和 `sigmoid` 核的系数
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：string|real
|
||||
|
||||
### `Nu`
|
||||
|
||||
声明：field
|
||||
|
||||
训练误差比例上限与支持向量比例下限，默认 0.5
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：real
|
||||
|
||||
### `Offset_`
|
||||
|
||||
声明：field
|
||||
|
||||
从原始样本分数得到决策函数值时使用的偏移量
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：real
|
||||
|
||||
### `create(kernel, degree, gamma, coef0, tol, nu, shrinking, cache_size, verbose, max_iter)`
|
||||
|
||||
声明：function
|
||||
|
||||
初始化单类支持向量机
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ------------ | ------- | ------------------ |
|
||||
| `kernel` | string | 核函数类型 |
|
||||
| `degree` | integer | 多项式核次数 |
|
||||
| `gamma` | any | 核函数系数 |
|
||||
| `coef0` | real | 核函数独立项 |
|
||||
| `tol` | real | 停止容差 |
|
||||
| `nu` | real | Nu 约束参数 |
|
||||
| `shrinking` | boolean | 是否使用缩小启发式 |
|
||||
| `cache_size` | integer | 核矩阵缓存元素数 |
|
||||
| `verbose` | integer | 输出级别 |
|
||||
| `max_iter` | integer | 最大迭代次数 |
|
||||
|
||||
### `Decision_function(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回样本到分离超平面的符号距离
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要评分的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Fit(X, y, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
检测样本集的软边界；`y` 仅用于保持接口一致
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------- |
|
||||
| `X` | array | 二维训练特征数组 |
|
||||
| `y` | any | 未使用的兼容参数 |
|
||||
| `sample_weight` | array | 各样本权重；默认值为 `nil` |
|
||||
|
||||
### `Fit_predict(X, y)`
|
||||
|
||||
声明：function
|
||||
|
||||
拟合输入样本并返回离群标签；离群值为 -1，正常值为 1
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------- |
|
||||
| `X` | array | 二维训练特征数组 |
|
||||
| `y` | any | 未使用的兼容参数 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Predict(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
预测输入样本是正常值还是离群值
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 特征数组或预计算核矩阵 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Score_samples(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回输入样本未经偏移的原始决策函数值
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------- |
|
||||
| `X` | array | 二维测试特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
## `svc`
|
||||
|
||||
声明：class
|
||||
|
||||
支持多种核函数的 C 支持向量分类器
|
||||
|
||||
<!-- tags: 机器学习 支持向量机 核函数 分类 -->
|
||||
|
||||
### `C`
|
||||
|
||||
声明：field
|
||||
|
||||
正则化参数，默认 1.0
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：real
|
||||
|
||||
### `Kernel`
|
||||
|
||||
声明：field
|
||||
|
||||
核函数类型，默认 `rbf`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：string
|
||||
|
||||
### `Gamma_`
|
||||
|
||||
声明：field
|
||||
|
||||
`rbf`、`poly` 和 `sigmoid` 核的系数
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：string|real
|
||||
|
||||
### `Probability`
|
||||
|
||||
声明：field
|
||||
|
||||
是否在拟合时启用概率估计，默认 `False`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：boolean
|
||||
|
||||
### `Classes_`
|
||||
|
||||
声明：field
|
||||
|
||||
训练后得到的类别标签
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `create(C, kernel, degree, gamma, coef0, shrinking, probability, tol, cache_size, class_weight, verbose, max_iter, decision_function_shape, break_ties, random_state)`
|
||||
|
||||
声明：function
|
||||
|
||||
初始化 C 支持向量分类器
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ------------------------- | ------- | -------------------- |
|
||||
| `C` | real | 正则化参数 |
|
||||
| `kernel` | string | 核函数类型 |
|
||||
| `degree` | integer | 多项式核次数 |
|
||||
| `gamma` | any | 核函数系数 |
|
||||
| `coef0` | real | 核函数独立项 |
|
||||
| `shrinking` | boolean | 是否使用缩小启发式 |
|
||||
| `probability` | boolean | 是否启用概率估计 |
|
||||
| `tol` | real | 停止容差 |
|
||||
| `cache_size` | integer | 核矩阵缓存元素数 |
|
||||
| `class_weight` | any | 类别权重 |
|
||||
| `verbose` | integer | 输出级别 |
|
||||
| `max_iter` | integer | 最大迭代次数 |
|
||||
| `decision_function_shape` | string | 决策函数形状 |
|
||||
| `break_ties` | boolean | 是否按置信度打破并列 |
|
||||
| `random_state` | integer | 随机状态 |
|
||||
|
||||
### `Decision_function(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
计算输入样本的决策函数值
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要评分的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Fit(X, y, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
根据给定训练数据拟合 SVM 模型
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------- |
|
||||
| `X` | array | 训练特征或预计算核矩阵 |
|
||||
| `y` | array | 类别目标数组 |
|
||||
| `sample_weight` | array | 各样本权重；默认值为 `nil` |
|
||||
|
||||
### `Predict(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
预测输入样本的类别标签
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 特征数组或预计算核矩阵 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Predict_log_proba(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回输入样本属于各类别的对数概率；拟合前需启用 `probability`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 特征数组或预计算核矩阵 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Predict_proba(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回输入样本属于各类别的概率；拟合前需启用 `probability`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 特征数组或预计算核矩阵 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Score(X, y, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回给定测试数据和标签的平均准确率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------- |
|
||||
| `X` | array | 二维测试特征数组 |
|
||||
| `y` | array | 真实类别标签 |
|
||||
| `sample_weight` | array | 各样本权重；默认值为 `nil` |
|
||||
|
||||
返回：real
|
||||
|
||||
## `svr`
|
||||
|
||||
声明：class
|
||||
|
||||
支持多种核函数的 epsilon 支持向量回归模型
|
||||
|
||||
<!-- tags: 机器学习 支持向量机 核函数 回归 -->
|
||||
|
||||
### `Kernel`
|
||||
|
||||
声明：field
|
||||
|
||||
核函数类型，默认 `rbf`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：string
|
||||
|
||||
### `Gamma_`
|
||||
|
||||
声明：field
|
||||
|
||||
`rbf`、`poly` 和 `sigmoid` 核的系数
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：string|real
|
||||
|
||||
### `C`
|
||||
|
||||
声明：field
|
||||
|
||||
正则化参数，默认 1.0
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：real
|
||||
|
||||
### `Epsilon`
|
||||
|
||||
声明：field
|
||||
|
||||
训练损失不惩罚的误差区间，默认 0.1
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：real
|
||||
|
||||
### `create(kernel, degree, gamma, coef0, tol, C, epsilon, shrinking, cache_size, verbose, max_iter)`
|
||||
|
||||
声明：function
|
||||
|
||||
初始化 epsilon 支持向量回归器
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ------------ | ------- | ------------------ |
|
||||
| `kernel` | string | 核函数类型 |
|
||||
| `degree` | integer | 多项式核次数 |
|
||||
| `gamma` | any | 核函数系数 |
|
||||
| `coef0` | real | 核函数独立项 |
|
||||
| `tol` | real | 停止容差 |
|
||||
| `C` | real | 正则化参数 |
|
||||
| `epsilon` | real | epsilon 容忍区间 |
|
||||
| `shrinking` | boolean | 是否使用缩小启发式 |
|
||||
| `cache_size` | integer | 核矩阵缓存元素数 |
|
||||
| `verbose` | integer | 输出级别 |
|
||||
| `max_iter` | integer | 最大迭代次数 |
|
||||
|
||||
### `Fit(X, y, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
根据给定训练数据拟合 SVM 模型
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------- |
|
||||
| `X` | array | 训练特征或预计算核矩阵 |
|
||||
| `y` | array | 回归目标数组 |
|
||||
| `sample_weight` | array | 各样本权重；默认值为 `nil` |
|
||||
|
||||
### `Predict(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
预测输入样本的回归值
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 特征数组或预计算核矩阵 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Score(X, y, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回预测值相对于真实值的决定系数 R 方
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------- |
|
||||
| `X` | array | 二维测试特征数组 |
|
||||
| `y` | array | 真实回归目标 |
|
||||
| `sample_weight` | array | 各样本权重；默认值为 `nil` |
|
||||
|
||||
返回：real
|
||||
+11
@@ -0,0 +1,11 @@
|
||||
# 应用专题 / 数学算法
|
||||
|
||||
## `tsL_demo_spfunc()`
|
||||
|
||||
声明：function
|
||||
|
||||
提供TSL最新时间序列统计关键字使用技巧中的 `tsL_demo_spfunc` 功能
|
||||
|
||||
<!-- tags: 汇总 时序 序列数据 时间处理 日期时间 -->
|
||||
|
||||
返回：any
|
||||
+94
@@ -0,0 +1,94 @@
|
||||
# 应用专题 / 数学算法
|
||||
|
||||
## `correlM_ewm(a, v, alphatype, adjust)`
|
||||
|
||||
声明：function
|
||||
|
||||
指数加权下最后一期的相关系数矩阵
|
||||
|
||||
<!-- tags: 相关性 关联关系 基准指数 指数产品 -->
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ----------- | ------- | ------------------------------------------------------------------------------------------------------------- |
|
||||
| `a` | matrix | 待计算的矩阵，每一列表示一个因子 |
|
||||
| `v` | real | 衰减因子，与 alphatype 共同决定实际的衰减因子 alpha，见平滑系数的确定 |
|
||||
| `alphatype` | integer | 0、【默认】，衰减因子 1、span 即即我们通常所说的 N 天的指数移动平均 2、center of mass(com) 3、halflife 半衰期 |
|
||||
| `adjust` | boolean | 是否调整，True、实际权重计算，False、根据无穷序列假设下的递推式计算，默认为 False， 见指数加权的两种递推式 |
|
||||
|
||||
返回：matrix
|
||||
|
||||
## `covariance_ewm(a, v, alphatype, adjust, biased)`
|
||||
|
||||
声明：function
|
||||
|
||||
指数加权下最后一期的协方差矩阵
|
||||
|
||||
<!-- tags: 风险矩阵 基准指数 指数产品 -->
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ----------- | ------- | ------------------------------------------------------------------------------------------------------------------------------------------- |
|
||||
| `a` | matrix | 待计算的矩阵，每一列表示一个因子 |
|
||||
| `v` | real | 衰减因子，与 alphatype 共同决定实际的衰减因子 alpha，见平滑系数的确定 |
|
||||
| `alphatype` | integer | 0、【默认】，衰减因子 1、span 即即我们通常所说的 N 天的指数移动平均 |
|
||||
| `adjust` | boolean | 是否调整，True、实际权重计算，False、根据无穷序列假设下的递推式计算，默认为 False， 见指数加权的两种递推式 |
|
||||
| `biased` | boolean | 是否有偏，True、 返回加权总体方差，False、 返回以 2 1 22 11 () () n i i nn ii ii w ww = == − 修正后的无偏的加权样 本方差，默认为 Fasle |
|
||||
|
||||
返回：matrix
|
||||
|
||||
## `ewmCov(a, b, v, alphatype, adjust, biased, iflast)`
|
||||
|
||||
声明：function
|
||||
|
||||
指数加权移动协方差
|
||||
|
||||
<!-- tags: 协方差矩阵 风险矩阵 基准指数 指数产品 -->
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ----------- | ------- | ------------------------------------------------------------------------------------------------------------------------------------------- |
|
||||
| `a` | array | 样本 a 待计算的一维数字数组 |
|
||||
| `b` | array | 样本 b 待计算的一维数字数组 |
|
||||
| `v` | real | 衰减因子，与 alphatype 共同决定实际的衰减因子 alpha，见平滑系数的确定 |
|
||||
| `alphatype` | integer | 0、【默认】，衰减因子 1、span 即即我们通常所说的 N 天的指数移动平均 2、center of mass(com) 3、halflife 半衰期 |
|
||||
| `adjust` | boolean | 是否调整，True、实际权重计算，False、根据无穷序列假设下的递推式计算，默认为 False， 见指数加权的两种递推式 |
|
||||
| `biased` | boolean | 是否有偏，True、 返回加权总体方差，False、 返回以 2 1 22 11 () () n i i nn ii ii w ww = == − 修正后的无偏的加权样 本方差，默认为 Fasle |
|
||||
| `iflast` | boolean | 是否只返回最后一个数，默认为 False |
|
||||
|
||||
返回：array
|
||||
|
||||
## `ewmStd(x, v, alphatype, adjust, biased, iflast)`
|
||||
|
||||
声明：function
|
||||
|
||||
指数加权移动标准差
|
||||
|
||||
<!-- tags: 基准指数 指数产品 -->
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ----------- | ------- | ------------------------------------------------------------------------------------------------------------------------------------------- |
|
||||
| `x` | array | 待计算移动平均的一维数字数组 |
|
||||
| `v` | real | 衰减因子，与 alphatype 共同决定实际的衰减因子 alpha，见平滑系数的确定 |
|
||||
| `alphatype` | integer | 0、【默认】，衰减因子 1、span 即即我们通常所说的 N 天的指数移动平均 2、center of mass(com) 3、halflife 半衰期 |
|
||||
| `adjust` | boolean | 是否调整，True、实际权重计算，False、根据无穷序列假设下的递推式计算，默认为 False， 见指数加权的两种递推式 |
|
||||
| `biased` | boolean | 是否有偏，True、 返回加权总体方差，False、 返回以 2 1 22 11 () () n i i nn ii ii w ww = == − 修正后的无偏的加权样 本方差，默认为 Fasle |
|
||||
| `iflast` | boolean | 是否只返回最后一个数，默认为 False |
|
||||
|
||||
返回：array
|
||||
|
||||
## `ewmVar(x, v, alphatype, adjust, biased, iflast)`
|
||||
|
||||
声明：function
|
||||
|
||||
指数加权移动方差，支持 nan，为 nan 的值参与权重计算，但计算平均时对 nan 值不进行计
|
||||
|
||||
<!-- tags: 组合权重 资产配置 基准指数 指数产品 -->
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ----------- | ------- | ------------------------------------------------------------------------------------------------------------------------------------------- |
|
||||
| `x` | array | 待计算移动平均的一维数字数组 |
|
||||
| `v` | real | 衰减因子，与 alphatype 共同决定实际的衰减因子 alpha，见平滑系数的确定 |
|
||||
| `alphatype` | integer | 0、【默认】，衰减因子 1、span 即即我们通常所说的 N 天的指数移动平均 2、center of mass(com) 3、halflife 半衰期 |
|
||||
| `adjust` | boolean | 是否调整，True、实际权重计算，False、根据无穷序列假设下的递推式计算，默认为 False， 见指数加权的两种递推式 |
|
||||
| `biased` | boolean | 是否有偏，True、 返回加权总体方差，False、 返回以 2 1 22 11 () () n i i nn ii ii w ww = == − 修正后的无偏的加权样 本方差，默认为 Fasle |
|
||||
| `iflast` | boolean | 是否只返回最后一个数，默认为 False |
|
||||
|
||||
返回：array
|
||||
Reference in New Issue
Block a user