csh/playbook

Fork 0

Files

T

csh 651c1f68d2 ✨ feat(tsl-api-reference): add class and framework API lookup

2026-08-20 13:49:55 +08:00

20 KiB

Raw Blame History

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

`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

`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

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

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

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

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

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

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

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

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

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

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

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

20 KiB Raw Blame History

应用专题 / 数学算法

decisionTreeClassifier

Criterion

Splitter

Max_depth

Random_state

Class_weight

Ccp_alpha

Classes_

Feature_importances_

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)

Fit(X, y, sample_weight, check_input)

Get_depth()

Get_n_leaves()

Predict_proba(X, check_input)

Predict_log_proba(X)

Predict(X, check_input)

Decision_path(X, check_input)

Get_feature_importances_()

Cost_complexity_pruning_path(X, y, sample_weight)

decisionTreeRegressor

Criterion

Splitter

Max_depth

Random_state

Ccp_alpha

Feature_importances_

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)

Fit(X, y, sample_weight, check_input)

Get_depth()

Get_n_leaves()

Predict(X, check_input)

Decision_path(X, check_input)

Get_feature_importances_()

Cost_complexity_pruning_path(X, y, sample_weight)

cond_entropy_cc(c_x, c_y, k, base)

cond_entropy_cd(c_x, d_y, k, base)

cond_entropy_dc(d_x, c_y, k, base)

cond_entropy_dd(d_x, d_y, base)

entropy_c(c_x, k, base)

entropy_d(d_x, base)

mi_cc(c_x, c_y, k, base)

mi_cd(c_x, d_y, k, base)

mi_dc(d_x, c_y, k, base)

mi_dd(d_x, d_y, base)

proba_entropy(p, base)

20 KiB

Raw Blame History

`decisionTreeClassifier`

`Criterion`

`Splitter`

`Max_depth`

`Random_state`

`Class_weight`

`Ccp_alpha`

`Classes_`

`Feature_importances_`

`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)`

`Fit(X, y, sample_weight, check_input)`

`Get_depth()`

`Get_n_leaves()`

`Predict_proba(X, check_input)`

`Predict_log_proba(X)`

`Predict(X, check_input)`

`Decision_path(X, check_input)`

`Get_feature_importances_()`

`Cost_complexity_pruning_path(X, y, sample_weight)`

`decisionTreeRegressor`

`Criterion`

`Splitter`

`Max_depth`

`Random_state`

`Ccp_alpha`

`Feature_importances_`

`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)`

`Fit(X, y, sample_weight, check_input)`

`Get_depth()`

`Get_n_leaves()`

`Predict(X, check_input)`

`Decision_path(X, check_input)`

`Get_feature_importances_()`

`Cost_complexity_pruning_path(X, y, sample_weight)`

`cond_entropy_cc(c_x, c_y, k, base)`

`cond_entropy_cd(c_x, d_y, k, base)`

`cond_entropy_dc(d_x, c_y, k, base)`

`cond_entropy_dd(d_x, d_y, base)`

`entropy_c(c_x, k, base)`

`entropy_d(d_x, base)`

`mi_cc(c_x, c_y, k, base)`

`mi_cd(c_x, d_y, k, base)`

`mi_dc(d_x, c_y, k, base)`

`mi_dd(d_x, d_y, base)`

`proba_entropy(p, base)`