csh/playbook
1
1
Fork 0
Code Issues Pull Requests Actions 1 Packages Projects Releases Wiki Activity

✨ feat(tsl-api-reference): add class and framework API lookup

Browse Source
This commit is contained in:
csh
2026-08-20 13:49:55 +08:00
parent 7233646398
commit 651c1f68d2
637 changed files with 25498 additions and 36673 deletions
Download Patch File Download Diff File Expand all files Collapse all files
skills/tsl-api-reference/references/codegen/module/mathematical-algorithms/decision-trees.md
+593
View File
@@ -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