scikit-learn: machine learning in Python — scikit-learn 1.3.2 documentation
分类（Classification）： 实现了多种监督学习分类算法，例如支持向量机（SVM）、决策树、随机森林等。
from sklearn.svm import SVC
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
# 创建XXX分类器 rf_classifier = RandomForestClassifier(n_estimators=100, random_state=42) # 训练模型 rf_classifier.fit(X_train, Y_train) # 在测试集上进行预测 y_pred = rf_classifier.predict(x_test)
回归（Regression）： 提供了多种监督学习回归算法，例如线性回归、岭回归、Lasso回归等。
聚类（Clustering）： 包括了一系列无监督学习的聚类算法，如K均值聚类、层次聚类等。
降维（Dimensionality Reduction）： 提供了降维算法，例如主成分分析（PCA）、奇异值分解（SVD）等。
模型选择（Model Selection）： 包含了用于模型评估、参数调优和交叉验证的工具。
预处理（Preprocessing）： 提供了数据预处理的工具，如标准化、归一化、缺失值填充等。
特征工程（Feature Engineering）： 包括了一些用于特征选择和特征变换的工具。
集成方法（Ensemble Methods）： 支持集成学习方法，如随机森林、梯度提升等。
计算指标（metrics）：
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
分类指标：
-
准确性（Accuracy）：
accuracy_score(y_true, y_pred): 计算分类准确性。
-
精确度（Precision）：
precision_score(y_true, y_pred): 计算正类别的精确度。
-
召回率（Recall）：
recall_score(y_true, y_pred): 计算正类别的召回率。
-
F1分数（F1 Score）：
f1_score(y_true, y_pred): 结合精确度和召回率的指标。
-
混淆矩阵（Confusion Matrix）：
confusion_matrix(y_true, y_pred): 计算混淆矩阵。
-
分类报告（Classification Report）：
classification_report(y_true, y_pred): 显示包括精确度、召回率、F1分数等在内的多个分类指标。
-
ROC曲线和AUC值：
roc_curve(y_true, y_score): 计算ROC曲线的值。roc_auc_score(y_true, y_score): 计算AUC值。
-
Log Loss（对数损失）：
log_loss(y_true, y_prob): 适用于概率输出的多分类对数损失。
回归指标：
-
均方误差（Mean Squared Error，MSE）：
mean_squared_error(y_true, y_pred): 计算均方误差。
-
平均绝对误差（Mean Absolute Error，MAE）：
mean_absolute_error(y_true, y_pred): 计算平均绝对误差。
-
R²分数（R-squared Score）：
r2_score(y_true, y_pred): 计算R²分数。
聚类指标：
-
轮廓系数（Silhouette Coefficient）：
silhouette_score(X, labels): 计算聚类的轮廓系数。
-
调整兰德指数（Adjusted Rand Index）：
adjusted_rand_score(labels_true, labels_pred): 计算调整兰德指数。
-
标准化互信息（Normalized Mutual Information）：
normalized_mutual_info_score(labels_true, labels_pred): 计算标准化互信息