# 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