Referencia de la API

Esta es la referencia de clase y función de scikit-learn. Por favor, consulta el manual completo del usuario para obtener más detalles, ya que las especificaciones originales de clase y función pueden no ser suficientes para dar directrices completas sobre sus usos. Para referencias sobre conceptos repetidos a través del API, ver Glosario de Términos Comunes y Elementos de la API.

sklearn.base: Clases base y funciones de utilidad

Clases base para todos los estimadores.

Clases base

base.BaseEstimator	Clase base para todos los estimadores en scikit-learn.
base.BiclusterMixin	Clase mixin para todos los estimadores bicluster en scikit-learn.
base.ClassifierMixin	Clase mixin para todos los clasificadores en scikit-learn.
base.ClusterMixin	Clase mixin para todos los estimadores de conglomerados en scikit-learn.
base.DensityMixin	Clase mixin para todos los estimadores de densidad en scikit-learn.
base.RegressorMixin	Clase mixin para todos los estimadores de regresión en scikit-learn.
base.TransformerMixin	Clase mixin para todos los transformadores en scikit-learn.
feature_selection.SelectorMixin	Transformador mixin que realiza la selección de características dada una máscara de soporte

Funciones

base.clone	Construye un nuevo estimador sin ajustar con los mismos parámetros.
base.is_classifier	Devuelve True si el estimador dado es (probablemente) un clasificador.
base.is_regressor	Devuelve True si el estimador dado es (probablemente) un regresor.
config_context	Gestor de contexto para la configuración global de scikit-learn
get_config	Recupera los valores actuales de configuración establecidos por set_config
set_config	Establecer la configuración global de scikit-learn
show_versions	Imprimir información útil de depuración»

sklearn.calibration: Probability Calibration

Calibración de probabilidades predichas.

Manual de usuario: Consulte la sección Calibración de probabilidad para más detalles.

calibration.CalibratedClassifierCV

Calibración de la probabilidad con regresión isotónica o regresión logística.

calibration.calibration_curve

Calcula las probabilidades verdaderas y predichas para una curva de calibración.

sklearn.cluster: Análisis de Conglomerados

El módulo sklearn.cluster reúne algoritmos populares de análisis de conglomerados no supervisados.

Manual de usuario: Vea las secciones Análisis de conglomerados (Agrupamiento) y Biclustering para más detalles.

Clases

cluster.AffinityPropagation	Realiza la agrupación de datos por propagación de la afinidad.
cluster.AgglomerativeClustering	Análisis de Conglomerados Aglomerativo
cluster.Birch	Implementa el algoritmo de agrupación de Birch.
cluster.DBSCAN	Realiza el agrupamiento DBSCAN a partir de un arreglo vectorial o una matriz de distancia.
cluster.FeatureAgglomeration	Aglomeración por características.
cluster.KMeans	Agrupamiento por K-Medias.
cluster.MiniBatchKMeans	Agrupamiento por K-Medias en mini lotes.
cluster.MeanShift	Agrupamiento por media desplazada usando un kernel plano.
cluster.OPTICS	Estimar la estructura de agrupamiento de un arreglo vectorial.
cluster.SpectralClustering	Aplicar la agrupación a una proyección del Laplaciano normalizado.
cluster.SpectralBiclustering	Biclustering espectral (Kluger, 2003).
cluster.SpectralCoclustering	Algoritmo de Co-Clustering espectral (Dhillon, 2001).

Funciones

cluster.affinity_propagation	Realiza la agrupación de datos por propagación de la afinidad.
cluster.cluster_optics_dbscan	Realiza la extracción de DBSCAN para un épsilon arbitrario.
cluster.cluster_optics_xi	Extraer automáticamente los conglomerados según el método Xi-steep.
cluster.compute_optics_graph	Calcula el grafo de accesibilidad de OPTICS.
cluster.dbscan	Realiza el agrupamiento DBSCAN a partir de un arreglo vectorial o una matriz de distancia.
cluster.estimate_bandwidth	Estimar el ancho de banda a utilizar con el algoritmo de media-desplazada.
cluster.k_means	Algoritmo de agrupamiento K-medias.
cluster.kmeans_plusplus	Inicializa n_clusters semillas de acuerdo a k-medias++
cluster.mean_shift	Realiza un agrupamiento de datos por media desplazada usando un kernel plano.
cluster.spectral_clustering	Aplicar la agrupación a una proyección del Laplaciano normalizado.
cluster.ward_tree	Agrupamiento de Ward basado en una matriz de características.

sklearn.compose: Estimadores compuestos

Metaestimadores para construir modelos compuestos con transformadores

Además de su contenido actual, este módulo albergará eventualmente versiones renovadas de Pipeline y FeatureUnion.

Manual de usuario: Consulte la sección Pipelines y estimadores compuestos para más detalles.

compose.ColumnTransformer	Aplica transformadores a las columnas de un array o un DataFrame de pandas.
compose.TransformedTargetRegressor	Metaestimador para la regresión de un objetivo transformado.

compose.make_column_transformer	Construye un ColumnTransformer a partir de los transformadores dados.
compose.make_column_selector	Crea un invocable para seleccionar columnas que se usarán con ColumnTransformer.

sklearn.covariance: Estimadores de Covarianza

El módulo sklearn.covariance incluye métodos y algoritmos para la estimación robusta de la covarianza de características dado un conjunto de puntos. También se estima la matriz de precisión definida como la inversa de la covarianza. La estimación de la covarianza está estrechamente relacionada con la teoría de los Modelos Gaussianos de Grafos.

Manual de usuario: Consulte la sección Estimación de covarianza para más detalles.

covariance.EmpiricalCovariance	Estimador de covarianza de máxima verosimilitud
covariance.EllipticEnvelope	Un objeto para detectar valores atípicos en un conjunto de datos con distribución Gaussiana.
covariance.GraphicalLasso	Estimación dispersa de la covarianza inversa con un estimador de penalidad l1.
covariance.GraphicalLassoCV	Covarianza inversa dispersa con elección de validación cruzada de la penalidad l1.
covariance.LedoitWolf	Estimador Ledoit-Wolf
covariance.MinCovDet	Determinante de Covarianza Mínima (DCM): estimador robusto de la covarianza.
covariance.OAS	Estimador de Reducción por Aproximación de Oráculo
covariance.ShrunkCovariance	Estimador de covarianza con reducción

covariance.empirical_covariance	Calcula el estimador de covarianza de Máxima Verosimilitud
covariance.graphical_lasso	estimador de covarianza l1-penalizado
covariance.ledoit_wolf	Estima la matriz de covarianza reducida Ledoit-Wolf.
covariance.oas	Estima la covarianza con el algoritmo de Reducción por Aproximación de Oráculo.
covariance.shrunk_covariance	Calcula una matriz de covarianza reducida sobre la diagonal

sklearn.cross_decomposition: Cross decomposition

Manual de usuario: Consulte la sección Descomposición cruzada para más detalles.

cross_decomposition.CCA	Análisis de Correlación Canónica, también conocido como PLS «Modo B».
cross_decomposition.PLSCanonical	Transformador y regresor de Mínimos Cuadrados Parciales.
cross_decomposition.PLSRegression	Regresión MCP
cross_decomposition.PLSSVD	DVS de Mínimos Cuadrados Parciales.

sklearn.datasets: Conjuntos de datos

El módulo sklearn.datasets incluye utilidades para cargar conjuntos de datos, incluyendo métodos para cargar y obtener conjuntos de datos de referencia populares. También incluye algunos generadores de datos artificiales.

Manual de usuario: Consulte la sección Herramientas de carga de conjuntos de datos para más detalles.

Cargadores

datasets.clear_data_home	Eliminar todo el contenido del caché de la carpeta del usuario.
datasets.dump_svmlight_file	Volcar el conjunto de datos en el formato de archivos svmlight / libsvm.
datasets.fetch_20newsgroups	Carga los nombres de archivo y datos del conjunto de datos 20 newsgroups (clasificación).
datasets.fetch_20newsgroups_vectorized	Cargar y vectorizar el conjunto de datos 20 newsgroups (clasificación).
datasets.fetch_california_housing	Cargar el conjunto de datos California housing (regresión).
datasets.fetch_covtype	Cargar el conjunto de datos covertype (clasificación).
datasets.fetch_kddcup99	Cargar el conjunto de datos kddcup99 (clasificación).
datasets.fetch_lfw_pairs	Cargar el conjunto de datos de parejas Labeled Faces in the Wild (LFW) (clasificación).
datasets.fetch_lfw_people	Cargue el conjunto de datos de personas Labeled Faces in the Wild (LFW) (clasificación).
datasets.fetch_olivetti_faces	Cargar el conjunto de datos de caras Olivetti de AT&T (clasificación).
datasets.fetch_openml	Recuperar un conjunto de datos de openml por el nombre o el id del conjunto de datos.
datasets.fetch_rcv1	Cargue el conjunto de datos multietiqueta RCV1 (clasificación).
datasets.fetch_species_distributions	Cargador para el conjunto de datos de distribución de especies de Phillips et.
datasets.get_data_home	Devuelve la ruta de la carpeta de datos de scikit-learn.
datasets.load_boston	Cargar y devolver el conjunto de datos del precio de la vivienda en boston (regresión).
datasets.load_breast_cancer	Cargar y devolver el conjunto de datos sobre el cáncer de mama en wisconsin (clasificación).
datasets.load_diabetes	Carga y devolver el conjunto de datos diabetes (regresión).
datasets.load_digits	Cargar y devolver el conjunto de datos digits (regresión).
datasets.load_files	Cargar archivos de texto con categorías como nombres de subcarpetas.
datasets.load_iris	Cargar y devolver el conjunto de datos de iris (clasificación).
datasets.load_linnerud	Carga y devuelve el conjunto de datos linnerud de ejercicio físico.
datasets.load_sample_image	Carga un arreglo numpy de una imagen de muestra
datasets.load_sample_images	Cargar imágenes de muestra para la manipulación de imágenes.
datasets.load_svmlight_file	Cargar conjuntos de datos en el formato svmlight / libsvm en la matriz dispersa CSR
datasets.load_svmlight_files	Cargar un conjunto de datos a partir de varios archivos en formato SVMlight
datasets.load_wine	Cargar y devolver el conjunto de datos wine (clasificación).

Generador de muestras

datasets.make_biclusters	Generar un arreglo con estructura diagonal de bloque constante para biclustering.
datasets.make_blobs	Generar manchas o regiones gaussianas isotrópicas para agrupamiento.
datasets.make_checkerboard	Generar un array con estructura de tablero de bloques para biclustering.
datasets.make_circles	Hacer un círculo grande que contenga un círculo más pequeño en 2d.
datasets.make_classification	Generar un problema aleatorio de clasificación de n-clases.
datasets.make_friedman1	Generar el problema de regresión «Friedman #1».
datasets.make_friedman2	Generar el problema de regresión «Friedman #2».
datasets.make_friedman3	Generar el problema de regresión «Friedman #3».
datasets.make_gaussian_quantiles	Generar una gaussiana isotrópica y etiquetar las muestras por cuantiles.
datasets.make_hastie_10_2	Genera datos para la clasificación binaria utilizada en Hastie et al. 2009, Ejemplo 10.2.
datasets.make_low_rank_matrix	Generar una matriz de rango mayoritariamente bajo con valores singulares en forma de campana.
datasets.make_moons	Crea dos medios círculos superpuestos.
datasets.make_multilabel_classification	Generar un problema de clasificación aleatoria multietiqueta.
datasets.make_regression	Generar un problema aleatorio de regresión.
datasets.make_s_curve	Generar un conjunto de datos de curvas S.
datasets.make_sparse_coded_signal	Genera una señal como una combinación dispersa de elementos de diccionario.
datasets.make_sparse_spd_matrix	Genera una matriz dispersa simétrica definida positiva.
datasets.make_sparse_uncorrelated	Generar un problema aleatorio de regresión con un diseño disperso no correlacionado.
datasets.make_spd_matrix	Genera una matriz aleatoria simétrica y positiva definida.
datasets.make_swiss_roll	Genera un conjunto de datos swiss roll.

sklearn.descomposición: Descomposición matricial

El módulo sklearn.decomposition incluye algoritmos de descomposición matricial, incluyendo entre otros PCA, NMF o ICA. La mayoría de los algoritmos de este módulo pueden considerarse técnicas de reducción de la dimensionalidad.

Manual de usuario: Consulte la sección Descomposición de señales en componentes (problemas de factorización de matrices) para más detalles.

decomposition.DictionaryLearning	Aprendizaje de diccionario
decomposition.FactorAnalysis	Análisis Factorial (AF).
decomposition.FastICA	FastICA: un algoritmo rápido para el Análisis de Componentes Independientes.
decomposition.IncrementalPCA	Análisis de componentes principales incremental (IPCA).
decomposition.KernelPCA	Análisis de componentes principales basado en Kernel (KPCA).
decomposition.LatentDirichletAllocation	Asignación de Dirichlet latente con el algoritmo variacional de Bayes en línea
decomposition.MiniBatchDictionaryLearning	Aprendizaje de diccionario por mini lotes
decomposition.MiniBatchSparsePCA	Análisis de Componentes Principales disperso por mini lotes
decomposition.NMF	Factorización matricial no-negativa (NMF o NNMF).
decomposition.PCA	Análisis de componentes principales (PCA).
decomposition.SparsePCA	Análisis de componentes principales disperso (SparsePCA).
decomposition.SparseCoder	Codificación dispersa
decomposition.TruncatedSVD	Reducción de dimensionalidad usando una SVD truncado (también conocido como LSA).

decomposition.dict_learning	Resuelve un problema de factorización de una matriz de aprendizaje de diccionarios.
decomposition.dict_learning_online	Resuelve un problema de factorización en línea de una matriz de aprendizaje de diccionarios.
decomposition.fastica	Realiza un Análisis Rápido de Componentes Independientes.
decomposition.non_negative_factorization	Realiza la Factorización de una Matriz no-Negativa (NMF).
decomposition.sparse_encode	Codificación dispersa

sklearn.discriminant_analysis: Análisis Discriminante

Análisis Discriminante Lineal y Análisis Discriminante Cuadrático

Manual de usuario: Consulte la sección Análisis Discriminante Lineal y Cuadrático para más detalles.

discriminant_analysis.LinearDiscriminantAnalysis	Análisis Discriminante Lineal
discriminant_analysis.QuadraticDiscriminantAnalysis	Análisis Discriminante Cuadrático

sklearn.dummy: Estimadores ficticios

Manual de usuario: Consulte la sección Métricas y puntuación: cuantificar la calidad de las predicciones para más detalles.

dummy.DummyClassifier	DummyClassifier es un clasificador que hace predicciones usando reglas simples.
dummy.DummyRegressor	DummyRegressor es un regresor que hace predicciones utilizando reglas simples.

sklearn.ensemble: Métodos Ensemble

El módulo sklearn.ensemble incluye métodos basados en combinaciones de métodos para la clasificación, regresión y detección de anomalías.

Manual de usuario: Consulte la sección Métodos combinados para más detalles.

ensemble.AdaBoostClassifier	Un clasificador AdaBoost.
ensemble.AdaBoostRegressor	Un regresor de AdaBoost.
ensemble.BaggingClassifier	Un clasificador Bagging (Agregación bootstrap).
ensemble.BaggingRegressor	Un regresor Bagging.
ensemble.ExtraTreesClassifier	Un clasificador extra-árboles.
ensemble.ExtraTreesRegressor	Un regresor extra-árbol.
ensemble.GradientBoostingClassifier	Potenciación de gradiente para clasificación.
ensemble.GradientBoostingRegressor	Potenciación de Gradiente para regresión.
ensemble.IsolationForest	Algoritmo de Aislamiento de Bosques.
ensemble.RandomForestClassifier	Un clasificador de bosque aleatorio.
ensemble.RandomForestRegressor	Un regresor de bosque aleatorio.
ensemble.RandomTreesEmbedding	Una combinación de árboles totalmente aleatorios.
ensemble.StackingClassifier	Pila de estimadores con un clasificador final.
ensemble.StackingRegressor	Pila de estimadores con un regresor final.
ensemble.VotingClassifier	Clasificador de regla mayoritaria/voto suave para estimadores no ajustados.
ensemble.VotingRegressor	Regresor de predicción de voto para estimadores no ajustados.
ensemble.HistGradientBoostingRegressor	Árbol de Regresión de Potenciación de Gradiente basado en histograma.
ensemble.HistGradientBoostingClassifier	Árbol de Clasificación de Potenciación de Gradiente basado en histograma.

sklearn.exceptions: Excepciones y advertencias

El módulo sklearn.exceptions incluye todas las advertencias y clases de error personalizadas utilizadas en scikit-learn.

exceptions.ConvergenceWarning	Advertencia personalizada para capturar problemas de convergencia
exceptions.DataConversionWarning	Advertencia utilizada para notificar conversiones implícitas de datos que ocurren en el código.
exceptions.DataDimensionalityWarning	Advertencia personalizada para notificar posibles problemas con la dimensionalidad de los datos.
exceptions.EfficiencyWarning	Advertencia utilizada para notificar al usuario de un cálculo ineficiente.
exceptions.FitFailedWarning	Clase de advertencia usada si hay un error mientras se ajusta el estimador.
exceptions.NotFittedError	Clase de excepción que se eleva si se utiliza el estimador antes del ajuste.
exceptions.UndefinedMetricWarning	Advertencia usada cuando la métrica no es válida

sklearn.experimental: Experimental

El módulo sklearn.experimental proporciona módulos que se pueden importar para permitir el uso de características o estimadores experimentales.

Las funciones y los estimadores experimentales no están sujetos a los ciclos de obsolescencia. Utilízalos bajo tu propia responsabilidad!

experimental.enable_hist_gradient_boosting	Activa los estimadores de boosting de gradiente basados en histogramas.
experimental.enable_iterative_imputer	Activa IterativeImputer
experimental.enable_halving_search_cv	Activa los estimadores de búsqueda sucesiva por mitades

sklearn.feature_extraction: Extracción de Características

El módulo sklearn.feature_extraction se ocupa de la extracción de características de datos crudos. Actualmente incluye métodos para extraer características de texto e imágenes.

Manual de usuario: Consulte la sección Extracción de características para más detalles.

feature_extraction.DictVectorizer	Transforma listas de mapeos de valores y características a vectores.
feature_extraction.FeatureHasher	Implementa el hashing de características, también conocido como el truco del hashing.

Desde imágenes

El submódulo sklearn.feature_extraction.image reúne utilidades para extraer características de las imágenes.

feature_extraction.image.extract_patches_2d	Convierte una imagen 2D en una colección de fragmentos
feature_extraction.image.grid_to_graph	Grafo de las conexiones de píxel a píxel
feature_extraction.image.img_to_graph	Grafo de las conexiones de gradiente de píxel a píxel
feature_extraction.image.reconstruct_from_patches_2d	Reconstruye la imagen a partir de todos sus fragmentos.
feature_extraction.image.PatchExtractor	Extrae fragmentos de una colección de imágenes

Desde texto

El submódulo sklearn.feature_extraction.text reúne utilidades para construir vectores de características de los documentos de texto.

feature_extraction.text.CountVectorizer	Convertir una colección de documentos de texto en una matriz de conteo de tokens
feature_extraction.text.HashingVectorizer	Convertir una colección de documentos de texto en una matriz de ocurrencias de tokens
feature_extraction.text.TfidfTransformer	Transforma una matriz de conteo a una representación de tf o tf-idf normalizada
feature_extraction.text.TfidfVectorizer	Convierte una colección de documentos crudos en una matriz de características TF-IDF.

sklearn.feature_selection: Extracción de Características

El módulo sklearn.feature_selection implementa algoritmos de selección de características. Actualmente incluye métodos de selección de filtros univariantes y el algoritmo recursivo de eliminación de características.

Manual de usuario: Consulte la sección Selección de características para más detalles.

feature_selection.GenericUnivariateSelect	Selector de características univariante con estrategia configurable.
feature_selection.SelectPercentile	Selecciona características de acuerdo a un percentil de las puntuaciones más altas.
feature_selection.SelectKBest	Selecciona características de acuerdo a las k puntuaciones más altas.
feature_selection.SelectFpr	Filtro: Seleccione los pvalores por debajo de alfa basados en una prueba FPR.
feature_selection.SelectFdr	Filtro: Selecciona los p-valores para una tasa estimada de falsos descubrimientos
feature_selection.SelectFromModel	Metatransformador para seleccionar características basadas en pesos de importancia.
feature_selection.SelectFwe	Filtro: Seleccione los p-valores correspondientes a la tasa de error por familia
feature_selection.SequentialFeatureSelector	Transformador que realiza la selección secuencial de características.
feature_selection.RFE	Ordenación de características con eliminación recursiva de características.
feature_selection.RFECV	Ordenación de características con eliminación recursiva de características y selección con validación cruzada del mejor número de características.
feature_selection.VarianceThreshold	Selector de características que elimina todas las características de baja varianza.

feature_selection.chi2	Calcule las estadísticas de chi-cuadrado entre cada clase y característica no negativa.
feature_selection.f_classif	Calcula el valor-F de ANOVA para la muestra proporcionada.
feature_selection.f_regression	Pruebas de regresión lineal univariante.
feature_selection.mutual_info_classif	Estimar la información mutua para una variable objetivo discreta.
feature_selection.mutual_info_regression	Estimar la información mutua para una variable objetivo continua.

sklearn.gaussian_process: Procesos Gaussianos

El módulo sklearn.gaussian_process implementa la regresión y la clasificación basadas en procesos gaussianos.

Manual de usuario: Consulte la sección Procesos Gaussianos para más detalles.

gaussian_process.GaussianProcessClassifier	Clasificación de procesos gaussianos (Gaussian process classification, GPC) basada en la aproximación de Laplace.
gaussian_process.GaussianProcessRegressor	Regresión de procesos gaussianos (Gaussian process regression, GPR).

Núcleos:

gaussian_process.kernels.CompoundKernel	Núcleo (kernel) que se compone de un conjunto de otros núcleos.
gaussian_process.kernels.ConstantKernel	Núcleo constante.
gaussian_process.kernels.DotProduct	Núcleo de producto punto.
gaussian_process.kernels.ExpSineSquared	Núcleo Exp-Seno-Cuadrático (también conocido como núcleo periódico).
gaussian_process.kernels.Exponentiation	Calcula un kernel de exponenciación combinando un kernel base y un parámetro escalar \(p\).
gaussian_process.kernels.Hyperparameter	La especificación de un hiperparámetro del kernel en forma de una namedtuple.
gaussian_process.kernels.Kernel	Clase base para todos los kernels.
gaussian_process.kernels.Matern	Kernel Matérn.
gaussian_process.kernels.PairwiseKernel	Envoltorio para los kernels en sklearn.metrics.pairwise.
gaussian_process.kernels.Product	Calcula el kernel Product combinando dos kernels \(k_1\) y \(k_2\)
gaussian_process.kernels.RBF	Kernel de la función base Radial (también conocido como kernel cuadrado-exponencial).
gaussian_process.kernels.RationalQuadratic	Kernel Cuadrático Racional.
gaussian_process.kernels.Sum	Calcula el kernel Sum combinando dos kernels \(k_1\) y \(k_2\).
gaussian_process.kernels.WhiteKernel	Kernel blanco.

sklearn.impute: Imputar

Transformadores para la imputación de valores faltantes

Manual de usuario: Consulte la sección Imputación de valores faltantes para más detalles.

impute.SimpleImputer	Transformador de imputación para completar valores faltantes.
impute.IterativeImputer	Imputador multivariante que estima cada característica a partir de todas las restantes.
impute.MissingIndicator	Indicadores binarios para valores faltantes.
impute.KNNImputer	Imputación para completar los valores faltantes mediante vecinos más cercanos (k-Nearest Neighbors).

sklearn.inspection: Inspección

El módulo sklearn.inspection incluye herramientas para la inspección de modelos.

inspection.partial_dependence	Dependencia parcial de características.
inspection.permutation_importance	Importancia de la permutación para la evaluación de la característica [Rd9e56ef97513-BRE].

Graficos

inspection.PartialDependenceDisplay

Gráfico de dependencia parcial (PDP).

inspection.plot_partial_dependence

Gráficos de dependencia parcial (DP) y de expectativa condicional individual (ECI).

sklearn.isotonic: Regresión isotónica

Manual de usuario: Consulte la sección Regresión isotónica para más detalles.

isotonic.IsotonicRegression

Modelo de regresión isotónica.

isotonic.check_increasing	Determina si y está monotónicamente correlacionada con x.
isotonic.isotonic_regression	Resuelve el modelo de regresión isotónica.

sklearn.kernel_aproximation: Aproximación de Kernel

El módulo sklearn.kernel_approximation implementa varias transformaciones de características de núcleo aproximadas basados en transformadas de Fourier y Bocetos de Conteo.

Manual de usuario: Consulte la sección Aproximación de núcleo para más detalles.

kernel_approximation.AdditiveChi2Sampler	Transformación de características aproximada para el núcleo aditivo chi2.
kernel_approximation.Nystroem	Aproxima una transformación de núcleo usando un subconjunto de datos de entrenamiento.
kernel_approximation.PolynomialCountSketch	Aproximación polinómica de núcleo mediante Boceto Tensorial.
kernel_approximation.RBFSampler	Aproxima la transformación de características de un núcleo RBF (Función de Base Radial) por aproximación de Monte Carlo de su transformada de Fourier.
kernel_approximation.SkewedChi2Sampler	Aproxima la transformación de características de un núcleo «chi-cuadrado sesgado» por aproximación de Monte Carlo de su transformada de Fourier.

sklearn.kernel_ridge: Regresión de Cresta de Núcleo

El módulo sklearn.kernel_ridge implementa una regresión de cresta de núcleo.

Manual de usuario: Consulte la sección Regresión de cresta de núcleo para más detalles.

kernel_ridge.KernelRidge

Regresión de cresta de núcleo.

sklearn.linear_model. Modelos Lineales

El módulo sklearn.linear_model implementa una variedad de modelos lineales.

Manual de usuario: Consulte la sección Modelos lineales para más detalles.

Las siguientes subsecciones son sólo orientaciones generales: un mismo estimador puede pertenecer a varias categorías, en función de sus parámetros.

Clasificadores lineales

linear_model.LogisticRegression	Clasificador de Regresión Logística (conocido como logit, MaxEnt).
linear_model.LogisticRegressionCV	Clasificador de Regresión Logística CV (también conocido como logit, MaxEnt).
linear_model.PassiveAggressiveClassifier	Clasificador Pasivo Agresivo
linear_model.Perceptron	Más información en el Manual de Usuario.
linear_model.RidgeClassifier	Clasificador que usa la Regresión de Cresta.
linear_model.RidgeClassifierCV	Clasificador de cresta con validación cruzada incorporada.
linear_model.SGDClassifier	Clasificadores lineales (SVM, regresión logística, etc.) con entrenamiento SGD (descenso de gradiente estocástico).

Regresores lineales clásicos

linear_model.LinearRegression	Regresión lineal de mínimos cuadrados ordinarios.
linear_model.Ridge	Mínimos cuadrados lineales con regularización l2.
linear_model.RidgeCV	Regresión de cresta con validación cruzada incorporada.
linear_model.SGDRegressor	Modelo lineal ajustado por minimización de pérdida empírica regularizada con SGD (descenso de gradiente estocástico)

Regresores con selección de variables

Los siguientes estimadores tienen procedimientos de ajuste de selección de variables incorporados, pero cualquier estimador que utilice una penalización L1 o elastic-net también realiza la selección de variables: normalmente SGDRegressor o SGDClassifier con una penalización adecuada.

linear_model.ElasticNet	Regresión lineal con las distribuciones a priori L1 y L2 combinadas como regularizador.
linear_model.ElasticNetCV	Modelo de Red Elástica con ajuste iterativo a lo largo de una trayectoria de regularización.
linear_model.Lars	Modelo de regresión de mínimo ángulo, también conocido como
linear_model.LarsCV	Modelo de Regresión de Ángulo Mínimo con validación cruzada.
linear_model.Lasso	Modelo lineal entrenado con L1 a priori como regularizador (también conocido como Lasso)
linear_model.LassoCV	Modelo lineal Lasso con ajuste iterativo a lo largo de una ruta de regularización.
linear_model.LassoLars	Ajuste de modelo Lasso con Regresión de Ángulo Mínimo, también conocida como Lars.
linear_model.LassoLarsCV	Validación cruzada Lasso, utilizando el algoritmo LARS.
linear_model.LassoLarsIC	Ajuste de modelo Lasso con Lars utilizando BIC o AIC para la selección del modelo
linear_model.OrthogonalMatchingPursuit	Modelo de búsqueda de correspondencia ortogonal (OMP).
linear_model.OrthogonalMatchingPursuitCV	Modelo de búsqueda de correspondencia ortogonal (OMP) con validación cruzada.

Regresores bayesianos

linear_model.ARDRegression	Regresión bayesiana ARD.
linear_model.BayesianRidge	Regresión bayesiana de cresta.

Regresores lineales múlti-tarea con selección de variables

Estos estimadores ajustan múltiples problemas de regresión (o tareas) de forma conjunta, induciendo coeficientes dispersos. Aunque los coeficientes inferidos pueden diferir entre las tareas, están obligados a coincidir en las características seleccionadas (coeficientes no nulos).

linear_model.MultiTaskElasticNet	Modelo ElasticNet multitarea entrenado con la norma mixta L1/L2 como regularizador.
linear_model.MultiTaskElasticNetCV	ElasticNet multitarea L1/L2 con validación cruzada incorporada.
linear_model.MultiTaskLasso	Modelo Lasso multitarea entrenado con la norma mixta L1/L2 como regularizador.
linear_model.MultiTaskLassoCV	Modelo Lasso multitarea entrenado con la norma mixta L1/L2 como regularizador.

Regresores robustos a valores atípicos

Cualquier estimador que utiliza la pérdida de Huber también sería robusto a los valores atípicos, por ejemplo, SGDRegressor con loss='huber'.

linear_model.HuberRegressor	Modelo de regresión lineal que es robusto a valores atípicos.
linear_model.RANSACRegressor	Algoritmo RANSAC (RANdom Sample Consensus).
linear_model.TheilSenRegressor	Estimador Theil-Sen: modelo de regresión robusto multivariante.

Modelos lineales generalizados (GLM) para regresión

Estos modelos permiten que las variables de respuesta tengan distribuciones de errores distintas de una distribución normal:

linear_model.PoissonRegressor	Modelo lineal generalizado con una distribución de Poisson.
linear_model.TweedieRegressor	Modelo lineal generalizado con una distribución de Tweedie.
linear_model.GammaRegressor	Modelo lineal generalizado con distribución Gamma.

Misceláneos

linear_model.PassiveAggressiveRegressor	Regresor agresivo-pasivo
linear_model.enet_path	Calcula la ruta de red elástica con descenso de coordenadas.
linear_model.lars_path	Calcula la regresión de ángulo mínimo o la ruta de Lasso mediante el algoritmo LARS [1]
linear_model.lars_path_gram	lars_path en el modo de estadísticas suficientes [1]
linear_model.lasso_path	Calcula la ruta Lasso con descenso de coordenadas
linear_model.orthogonal_mp	Búsqueda de coincidencias ortogonales (OMP).
linear_model.orthogonal_mp_gram	Búsqueda de coincidencias ortogonales de Gram (OMP).
linear_model.ridge_regression	Resuelve la ecuación de cresta por el método de las ecuaciones normales.

sklearn.manifold: Manifold Learning

El módulo sklearn.manifold implementa técnicas de incrustación de datos.

Manual de usuario: Consulte la sección Aprendizaje múltiple para más detalles.

manifold.Isomap	Incrustación de Isomapas
manifold.LocallyLinearEmbedding	Incrustación local lineal
manifold.MDS	Escalamiento multidimensional.
manifold.SpectralEmbedding	Incrustación espectral para reducción de la dimensionalidad no lineal.
manifold.TSNE	Incrustación de Vecinos Estocástica t-distribuida.

manifold.locally_linear_embedding	Realiza un análisis de Incrustación Localmente Lineal en los datos.
manifold.smacof	Calcula el escalado multidimensional mediante el algoritmo SMACOF.
manifold.spectral_embedding	Proyecta la muestra sobre los primeros autovectores del grafo Laplaciano.
manifold.trustworthiness	Expresa hasta qué punto se mantiene la estructura local.

sklearn.metrics: Métricas

Ver la sección Métricas y puntuación: cuantificar la calidad de las predicciones y la sección Métricas por pares, afinidades y núcleos del manual del usuario para más detalles.

El módulo sklearn.metrics incluye funciones de puntuación, métricas de rendimiento y métricas por pares y cálculos de distancia.

Interfaz de Selección de Modelos

Ver la sección El parámetro scoring: definir las reglas de evaluación del modelo del manual del usuario para más detalles.

metrics.check_scoring	Determina el puntuador desde las opciones del usuario.
metrics.get_scorer	Obtiene un puntuador de una cadena.
metrics.make_scorer	Construye un puntuador a partir de una métrica de rendimiento o una función de pérdida.

Métricas de clasificación

Ver la sección Métricas de clasificación del manual del usuario para más detalles.

metrics.accuracy_score	Puntuación de exactitud de la clasificación.
metrics.auc	Calcula el Área Bajo la Curva (AUC) usando la regla trapezoidal.
metrics.average_precision_score	Calcula la precisión promedio (AP) de las puntuaciones de predicción.
metrics.balanced_accuracy_score	Calcula la exactitud balanceada.
metrics.brier_score_loss	Calcula la puntuación de pérdida de Brier.
metrics.classification_report	Construye un reporte que muestra las principales métricas de clasificación.
metrics.cohen_kappa_score	Kappa de Cohen: estadístico que mide el acuerdo entre anotadores.
metrics.confusion_matrix	Calcula la matriz de confusión para evaluar la exactitud de una clasificación.
metrics.dcg_score	Calcula la Ganancia Acumulada Descontada.
metrics.det_curve	Calcula las tasas de error para diferentes umbrales de probabilidad.
metrics.f1_score	Calcula la puntuación F1, también conocida como puntuación-F balanceada o medida-F.
metrics.fbeta_score	Calcula la puntuación F-beta.
metrics.hamming_loss	Calcula la pérdida promedio de Hamming.
metrics.hinge_loss	Pérdida promedio de bisagra (no regularizada).
metrics.jaccard_score	Puntuación del coeficiente de similitud de Jaccard.
metrics.log_loss	Pérdida logarítmica, también conocida como pérdida logística o pérdida de entropía cruzada.
metrics.matthews_corrcoef	Calcula el coeficiente de correlación de Matthews (MCC).
metrics.multilabel_confusion_matrix	Calcula una matriz de confusión para cada clase o muestra.
metrics.ndcg_score	Calcula la Ganancia Acumulada Descontada Normalizada.
metrics.precision_recall_curve	Calcula los pares de precisión-exhaustividad para diferentes umbrales de probabilidad.
metrics.precision_recall_fscore_support	Calcula precisión, exhaustividad, valor-F y el soporte para cada clase.
metrics.precision_score	Calcula la precisión.
metrics.recall_score	Calcula la exhaustividad.
metrics.roc_auc_score	Calcula el Área Bajo la Curva Característica Operativa del Receptor (ROC AUC) a partir de las puntuaciones de predicción.
metrics.roc_curve	Calcula la Característica Operativa del Receptor (ROC).
metrics.top_k_accuracy_score	Puntuación de clasificación de exactitud top-k.
metrics.zero_one_loss	Pérdida de clasificación cero-uno.

Métricas de Regresión

Ver la sección Métricas de Regresión del manual del usuario para más detalles.

metrics.explained_variance_score	Función de puntuación de regresión de varianza explicada.
metrics.max_error	La métrica max_error calcula el máximo error residual.
metrics.mean_absolute_error	Pérdida de error de regresión absoluta promedio.
metrics.mean_squared_error	Pérdida promedio de error de regresión cuadrático.
metrics.mean_squared_log_error	Pérdida promedio de error de regresión logarítmico cuadrático.
metrics.median_absolute_error	Pérdida de regresión por mediana de error absoluto.
metrics.mean_absolute_percentage_error	Pérdida promedio de error de regresión porcentual.
metrics.r2_score	Función de puntuación de regresión \(R^2\) (coeficiente de determinación).
metrics.mean_poisson_deviance	Pérdida promedio de desviación de regresión Poisson.
metrics.mean_gamma_deviance	Pérdida promedio de variación de regresión Gamma.
metrics.mean_tweedie_deviance	Pérdida promedio de desviación de regresión Tweedie.

Métricas de clasificación multietiqueta

Ver la sección Métricas de clasificación multietiqueta del manual del usuario para más detalles.

metrics.coverage_error	Medida de error de cobertura.
metrics.label_ranking_average_precision_score	Calcula la precisión promedio basada en la clasificación.
metrics.label_ranking_loss	Calcula la medida de pérdida de la clasificación.

Métricas de agrupamiento

Ver la sección Evaluación del rendimiento del análisis de conglomerados (agrupamiento) del manual del usuario para más detalles.

El submódulo sklearn.metrics.cluster contiene métricas de evaluación para los resultados de análisis de conglomerados. Hay dos formas de evaluación:

• supervisado, que utiliza valores de clase verificados para cada muestra.

• sin supervisión, que no utiliza valores de referencia, y mide la «calidad» del propio modelo.

metrics.adjusted_mutual_info_score	Información Mutua Ajustada (AMI) entre dos conglomerados.
metrics.adjusted_rand_score	Índice Rand ajustado al azar.
metrics.calinski_harabasz_score	Calcula la puntuación Calinski y Harabasz.
metrics.davies_bouldin_score	Calcula la puntuación Davies-Bouldin.
metrics.completeness_score	Métrica de completitud de un etiquetado de conglomerado de valores verificados dados.
metrics.cluster.contingency_matrix	Construye una matriz de contingencia que describe la relación entre las etiquetas.
metrics.cluster.pair_confusion_matrix	Matriz de confusión por pares que surge de dos agrupamientos.
metrics.fowlkes_mallows_score	Mide la similitud de dos conglomerados de un conjunto de puntos.
metrics.homogeneity_completeness_v_measure	Calcula a la vez la homogeneidad, la completitud y la puntuación V-Measure.
metrics.homogeneity_score	Métrica de homogeneidad de un etiquetado de conglomerado de valores verificados dados.
metrics.mutual_info_score	Información mutua entre dos conglomerados.
metrics.normalized_mutual_info_score	Información Mutua Normalizada entre dos conglomerados.
metrics.rand_score	Índice Rand.
metrics.silhouette_score	Calcula el Coeficiente de Silueta promedio de todas las muestras.
metrics.silhouette_samples	Calcula el Coeficiente de Silueta para cada muestra.
metrics.v_measure_score	Etiquetado de conglomerados con medida V dado un valor verificado.

Métricas de conglomerados dobles

Ver la sección Evaluación de Biclustering del manual del usuario para más detalles.

metrics.consensus_score

La similitud de dos conjuntos de conglomerados dobles.

Métricas por pares

Ver la sección Métricas por pares, afinidades y núcleos del manual del usuario para más detalles.

metrics.pairwise.additive_chi2_kernel	Calcula el núcleo chi-cuadrado aditivo entre las observaciones en X y Y.
metrics.pairwise.chi2_kernel	Calcula el núcleo exponencial chi-cuadrado X y Y.
metrics.pairwise.cosine_similarity	Calcula la similitud coseno entre las muestras en X y Y.
metrics.pairwise.cosine_distances	Calcula la distancia coseno entre las muestras en X y Y.
metrics.pairwise.distance_metrics	Métricas válidas para pairwise_distances.
metrics.pairwise.euclidean_distances	Considerando las filas de X (y Y=X) como vectores, calcula la matriz de distancia entre cada par de vectores.
metrics.pairwise.haversine_distances	Calcula la distancia Haversine entre las muestras en X y Y.
metrics.pairwise.kernel_metrics	Métricas válidas para pairwise_kernels.
metrics.pairwise.laplacian_kernel	Calcula el núcleo laplaciano entre X y Y.
metrics.pairwise.linear_kernel	Calcula el núcleo lineal entre X y Y.
metrics.pairwise.manhattan_distances	Calcula las distancias L1 entre los vectores en X y Y.
metrics.pairwise.nan_euclidean_distances	Calcula las distancias euclidianas en presencia de valores faltantes.
metrics.pairwise.pairwise_kernels	Calcula el núcleo entre los arreglos X y el arreglo Y opcional.
metrics.pairwise.polynomial_kernel	Calcula el núcleo polinomial entre X y Y.
metrics.pairwise.rbf_kernel	Calcula el núcleo rbf (gaussiano) entre X y Y.
metrics.pairwise.sigmoid_kernel	Calcula el núcleo sigmoide entre X e Y.
metrics.pairwise.paired_euclidean_distances	Calcula las distancias euclideanas por pares entre X e Y.
metrics.pairwise.paired_manhattan_distances	Calcula las distancias L1 entre los vectores en X y Y.
metrics.pairwise.paired_cosine_distances	Calcula las distancias de coseno por pares entre X y Y.
metrics.pairwise.paired_distances	Calcula las distancias por pares entre X y Y.
metrics.pairwise_distances	Calcula la matriz de distancia de un arreglo vectorial X y un opcional Y.
metrics.pairwise_distances_argmin	Calcula las distancias mínimas entre un punto y un conjunto de puntos.
metrics.pairwise_distances_argmin_min	Calcula las distancias mínimas entre un punto y un conjunto de puntos.
metrics.pairwise_distances_chunked	Genera una matriz de distancia trozo a trozo con reducción opcional.

Graficos

Ver la sección Visualizaciones del manual del usuario para más detalles.

metrics.plot_confusion_matrix	Grafica la matriz de confusión.
metrics.plot_det_curve	Grafica la curva de compromiso del error de detección (DET).
metrics.plot_precision_recall_curve	Grafica la Curva de Precisión y Exhaustividad para clasificadores binarios.
metrics.plot_roc_curve	Grafica la curva Característica Operativa del Receptor (ROC).

metrics.ConfusionMatrixDisplay	Visualización de la matriz de confusión.
metrics.DetCurveDisplay	Visualización de curvas DET.
metrics.PrecisionRecallDisplay	Visualización de Precisión y Exhaustividad.
metrics.RocCurveDisplay	Visualización de curvas ROC.

sklearn.mixture: Modelos de Mezclas Gaussianas

El módulo sklearn.mixture implementa algoritmos de modelado de mezclas.

Manual de usuario: Ver la sección Modelos de mezclas gaussianas para más detalles.

mixture.BayesianGaussianMixture	Estimación variacional Bayesiana de una mezcla Gaussiana.
mixture.GaussianMixture	Mezcla Gaussiana.

sklearn.model_selection: Selección del Modelo

Manual de usuario: Ver las secciones Validación cruzada: evaluación del rendimiento del estimador, Ajustar los hiperparámetros de un estimador y Curva de aprendizaje para más detalles.

Clases de Separadores

model_selection.GroupKFold	Variante del iterador K-fold con grupos no superpuestos.
model_selection.GroupShuffleSplit	Iterador de validación cruzada Shuffle-Group(s)-Out
model_selection.KFold	Validador cruzado K-Folds
model_selection.LeaveOneGroupOut	Validador cruzado Leave-One-Group-Out
model_selection.LeavePGroupsOut	Validador cruzado Leave-P-Group(s)-Out
model_selection.LeaveOneOut	Validador cruzado Leave-One-Out
model_selection.LeavePOut	Validador cruzado Leave-P-Out
model_selection.PredefinedSplit	Validador cruzado de separación predefinido
model_selection.RepeatedKFold	Validador cruzado K-Fold repetido.
model_selection.RepeatedStratifiedKFold	Validador cruzado K-Fold Repetido Estratificado.
model_selection.ShuffleSplit	Validador cruzado de permutación aleatoria
model_selection.StratifiedKFold	Validador cruzado K-Folds estratificado.
model_selection.StratifiedShuffleSplit	Validador cruzado ShuffleSplit estratificado
model_selection.TimeSeriesSplit	Validador cruzado de series de tiempo

Funciones de separación

model_selection.check_cv	Herramienta de comprobador de entrada para construir un validador cruzado
model_selection.train_test_split	Separar arreglos o matrices en subconjuntos aleatorios de entrenamiento y prueba

Optimizadores hiper-parámetro

model_selection.GridSearchCV	Búsqueda exhaustiva sobre los valores de los parámetros especificados para un estimador.
model_selection.HalvingGridSearchCV	Busca sobre los valores de los parámetros especificados con una reducción sucesiva a la mitad.
model_selection.ParameterGrid	Cuadrícula de parámetros con un número discreto de valores para cada uno.
model_selection.ParameterSampler	Generador de parámetros muestreados a partir de distribuciones dadas.
model_selection.RandomizedSearchCV	Búsqueda aleatoria sobre los hiperparámetros.
model_selection.HalvingRandomSearchCV	Búsqueda aleatoria sobre los hiperparámetros.

Validación del modelo

model_selection.cross_validate	Evalúa la(s) métrica(s) mediante validación cruzada y registra también los tiempos de ajuste/puntuación.
model_selection.cross_val_predict	Genera estimaciones de validación cruzada para cada punto de los datos de entrada
model_selection.cross_val_score	Evalúa una puntuación por validación cruzada
model_selection.learning_curve	Curva de aprendizaje.
model_selection.permutation_test_score	Evalúa la significancia de una puntuación de validación cruzada con permutaciones
model_selection.validation_curve	Curva de validación.

sklearn.multiclase: Clasificación multiclase

Estrategias de clasificación multiclase

Este módulo implementa algoritmos de aprendizaje multiclase:

• one-vs-the-rest / one-vs-all

• one-vs-one

• corrección de errores de códigos de salida

Los estimadores proporcionados en este módulo son metaestimadores: requieren que se proporcione un estimador base en su constructor. Por ejemplo, es posible utilizar estos estimadores para convertir un clasificador o regresor binario en un clasificador multiclase. También es posible utilizar estos estimadores con estimadores multiclase con la esperanza de que su exactitud o rendimiento de ejecución mejoren.

Todos los clasificadores en scikit-learn implementan la clasificación multiclase; no necesitas utilizar este módulo a menos que quieras experimentar con estrategias multiclase personalizadas.

El meta-clasificador uno-vs-the-rest también implementa un método predict_proba, siempre y cuando tal método sea implementado por el clasificador base. Este método devuelve probabilidades de pertenencia a la clase tanto en el caso de una sola etiqueta como en el caso de múltiples etiquetas. Ten en cuenta que en el caso multietiqueta, las probabilidades son la probabilidad marginal de que una muestra determinada caiga en la clase dada. De esta manera, en el caso multietiqueta la suma de estas probabilidades sobre todas las etiquetas posibles para una muestra determinada no sumarán la unidad, como lo hacen en el caso de una sola etiqueta.

Manual de usuario: Ver la sección Clasificación multiclase para más detalles.

multiclass.OneVsRestClassifier	Estrategia multiclase «uno contra el resto» (One-vs-the-Rest o OvR).
multiclass.OneVsOneClassifier	Estrategia multiclase uno contra uno (one-vs-one)
multiclass.OutputCodeClassifier	(Corrección de errores) Estrategia de código de salida multiclase

sklearn.multioutput: Regresión y clasificación multisalida

Este módulo implementa la regresión y clasificación multisalida.

Los estimadores proporcionados en este módulo son metaestimadores: requieren que se proporcione un estimador base en su constructor. El meta-estimador extiende estimadores de salida única a estimadores multisalida.

Manual del usuario: Ver las secciones Clasificación multietiqueta, Clasificación multiclase y multisalida, y Regresión de salida múltiple para más detalles.

multioutput.ClassifierChain	Un modelo multietiqueta que ordena los clasificadores binarios en una cadena.
multioutput.MultiOutputRegressor	Regresión multiobjetivo
multioutput.MultiOutputClassifier	Clasificación multiobjetivo
multioutput.RegressorChain	Un modelo de multietiqueta que ordena regresiones en una cadena.

sklearn.naive_bayes: Bayes Ingenuo

El módulo sklearn.naive_bayes implementa algoritmos de Bayes Ingenuos. Estos son métodos de aprendizaje supervisado basados en la aplicación del teorema de Bayes con supuestos fuertes (ingenuos) de independencia entre características.

Manual de usuario: Ver la sección Bayesiano ingenuo para más detalles.

naive_bayes.BernoulliNB	Clasificador Bayes Ingenuo para modelos Bernoulli multivariantes.
naive_bayes.CategoricalNB	Clasificador Bayesiano Ingenuo para características categóricas
naive_bayes.ComplementNB	El clasificador Bayes Ingenuo Complementario descrito en Rennie et al. (2003).
naive_bayes.GaussianNB	Bayes Ingenuo Gaussiano (GaussianNB)
naive_bayes.MultinomialNB	Clasificador Bayesiano Ingenuo para modelos multinomiales

sklearn.neighbors: Vecinos más cercanos

El módulo sklearn.neighbors implementa el algoritmo de k-vecinos más cercanos.

Manual de usuario: Ver la sección Vecino más cercano para más detalles.

neighbors.BallTree(X[, leaf_size, metric])	BallTree para problemas rápidos generalizados de N puntos
neighbors.DistanceMetric	Clase DistanceMetric
neighbors.KDTree(X[, leaf_size, metric])	KDTree para problemas rápidos generalizados de N puntos
neighbors.KernelDensity	Estimación de Densidad de Núcleo.
neighbors.KNeighborsClassifier	Clasificador que implementa la votación de k- vecinos más cercanos.
neighbors.KNeighborsRegressor	Regresión basada en k-vecinos más cercanos.
neighbors.KNeighborsTransformer	Transforma X en un grafo (ponderado) de k vecinos más cercanos
neighbors.LocalOutlierFactor	Detección No Supervisada de valores Atípicos mediante el Factor Local de valores Atípicos (LOF)
neighbors.RadiusNeighborsClassifier	Clasificador que implementa un voto entre vecinos dentro de un radio determinado
neighbors.RadiusNeighborsRegressor	Regresión basada en vecinos dentro de un radio fijo.
neighbors.RadiusNeighborsTransformer	Transforma X en un grafo (ponderado) de vecinos más cercanos a un radio
neighbors.NearestCentroid	Clasificador de centroide más cercano.
neighbors.NearestNeighbors	Aprendiz no supervisado para implementar búsquedas de vecinos.
neighbors.NeighborhoodComponentsAnalysis	Análisis de Componentes del Vecindario

neighbors.kneighbors_graph	Calcula el grafo (ponderado) de k-vecinos para los puntos en X
neighbors.radius_neighbors_graph	Calcula el grafo (ponderado) de Vecinos para los puntos en X

sklearn.neural_network: Neural network models

El módulo sklearn.neural_network incluye modelos basados en redes neuronales.

Manual del usuario: Ver las secciones Modelos de redes neuronales (supervisadas) y Modelos de red neural (no supervisados) para más detalles.

neural_network.BernoulliRBM	Máquina de Boltzmann restringida de Bernoulli (RBM).
neural_network.MLPClassifier	Clasificador Perceptron multicapa.
neural_network.MLPRegressor	Regresor Perceptrón multicapa.

sklearn.pipeline: Tubería

El módulo sklearn.pipeline implementa utilidades para construir un estimador compuesto, como una cadena de transformaciones y estimadores.

Manual de usuario: Consulte la sección Pipelines y estimadores compuestos para más detalles.

pipeline.FeatureUnion	Concatena los resultados de múltiples objetos transformadores.
pipeline.Pipeline	Tubería de las transformaciones con un estimador final.

pipeline.make_pipeline	Construye una tubería de los estimadores dados.
pipeline.make_union	Construye un FeatureUnion de los transformadores dados.

sklearn.preprocessing: Preprocessing and Normalization

El módulo sklearn.preprocessing incluye métodos de escalamiento, centrado, normalización, y binarización.

Manual de usuario: Ver la sección Preprocesamiento de los datos para más detalles.

preprocessing.Binarizer	Binariza datos (asigna a las características valores de 0 o 1) de acuerdo a un umbral.
preprocessing.FunctionTransformer	Construye un transformador a partir de un invocable arbitrario.
preprocessing.KBinsDiscretizer	Agrupa datos continuos en intervalos.
preprocessing.KernelCenterer	Centra una matriz de núcleo.
preprocessing.LabelBinarizer	Binariza las etiquetas de una forma uno-contra-todos.
preprocessing.LabelEncoder	Codifica las etiquetas objetivo con un valor entre 0 y n_classes-1.
preprocessing.MultiLabelBinarizer	Transforma entre un iterable de iterables y un formato multietiqueta.
preprocessing.MaxAbsScaler	Escala cada característica por su valor absoluto máximo.
preprocessing.MinMaxScaler	Transforma las características escalando cada una de ellas a un rango determinado.
preprocessing.Normalizer	Normaliza las muestras individualmente a la norma unitaria.
preprocessing.OneHotEncoder	Codifica las características categóricas como un arreglo numérico one-hot.
preprocessing.OrdinalEncoder	Codifica las características categóricas como un arreglo de enteros.
preprocessing.PolynomialFeatures	Genera características polinómicas y de interacción.
preprocessing.PowerTransformer	Aplica una transformación de potencia por características para que los datos sean más Gaussianos.
preprocessing.QuantileTransformer	Transforma las características utilizando la información de los cuantiles.
preprocessing.RobustScaler	Escala las características utilizando estadísticas que son robustas a los valores atípicos.
preprocessing.StandardScaler	Estandariza las características eliminando la media y escalando a la varianza unitaria

preprocessing.add_dummy_feature	Aumenta el conjunto de datos con una característica adicional ficticia.
preprocessing.binarize	Soporte booleano de array-like o matriz scipy.sparse.
preprocessing.label_binarize	Binariza las etiquetas de una forma uno-contra-todos.
preprocessing.maxabs_scale	Escala cada característica al rango [-1, 1] sin romper la dispersión.
preprocessing.minmax_scale	Transforma las características escalando cada una de ellas a un rango determinado.
preprocessing.normalize	Escala los vectores de entrada individualmente a la norma unitaria (longitud del vector).
preprocessing.quantile_transform	Transforma las características utilizando la información de los cuantiles.
preprocessing.robust_scale	Estandariza un conjunto de datos a lo largo de cualquier eje
preprocessing.scale	Estandariza un conjunto de datos a lo largo de cualquier eje.
preprocessing.power_transform	Las transformaciones de potencia son una familia de transformaciones paramétricas monotónicas que se aplican para hacer los datos más Gaussianos.

sklearn.random_projection: Proyección Aleatoria

Transformadores de proyección aleatoria.

Las proyecciones aleatorias son una forma simple y computacionalmente eficiente de reducir la dimensionalidad de los datos intercambiando una cantidad controlada de exactitud (como varianza adicional) por tiempos de procesamiento más rápidos y tamaños de modelo más pequeños.

Las dimensiones y distribución de las matrices de proyecciones aleatorias se controlan para preservar las distancias por pares entre dos muestras del conjunto de datos.

El principal resultado teórico detrás de la eficiencia de la proyección aleatoria es el Lema de Johnson-Lindenstrauss (citando a Wikipedia):

En matemáticas, el lema Johnson-Lindenstrauss es un resultado relacionado con las inserciones de baja distorsión de puntos de un espacio de alta dimensión en un espacio euclideano de baja dimensión. El lema afirma que un pequeño conjunto de puntos en un espacio de alta dimensión puede integrarse en un espacio de dimensión mucho más baja de tal manera que las distancias entre los puntos casi se conservan. La transformación utilizada para la inserción es al menos Lipschitz, e incluso puede tomarse como una proyección ortogonal.

Manual de usuario: Ver la sección Proyección aleatoria para más detalles.

random_projection.GaussianRandomProjection	Reduce la dimensionalidad mediante la proyección aleatoria gaussiana.
random_projection.SparseRandomProjection	Reduce la dimensionalidad mediante la proyección aleatoria dispersa.

random_projection.johnson_lindenstrauss_min_dim

Encuentra un número “seguro” de componentes para proyectar aleatoriamente.

sklearn.semi_supervised: Aprendizaje semi-supervisado

El módulo sklearn.semi_supervised implementa algoritmos de aprendizaje semi-supervisado. Estos algoritmos utilizan pequeñas cantidades de datos etiquetados y grandes cantidades de datos no etiquetados para tareas de clasificación. Este módulo incluye Propagación de Etiquetas.

Manual de usuario: Ver la sección Aprendizaje semi supervisado para más detalles.

semi_supervised.LabelPropagation	Clasificador de propagación de etiquetas
semi_supervised.LabelSpreading	Modelo LabelSpreading para aprendizaje semi-supervisado
semi_supervised.SelfTrainingClassifier	Clasificador de autoentrenamiento.

sklearn.svm: Máquinas de soporte vectorial

El módulo sklearn.svm incluye algoritmos de máquinas de soporte vectorial.

Manual de usuario: Ver la sección Máquinas de Vectores de Soporte para más detalles.

Estimadores

svm.LinearSVC	Clasificación Lineal por Vectores de Soporte.
svm.LinearSVR	Regresión de Vector de Soporte Lineal.
svm.NuSVC	Clasificación de Vector Nu-Soporte.
svm.NuSVR	Regresión de Vector de Nu-Soporte.
svm.OneClassSVM	Detección de Valor Atípicos no supervisada.
svm.SVC	Clasificación de Vector C-Soporte.
svm.SVR	Regresión de Vector de Soporte-Épsilon.

svm.l1_min_c

Devuelve el límite más bajo para C tal que para C en (l1_min_C, infinity) se garantiza que el modelo no esté vacío.

sklearn.tree: Árboles de decisión

El módulo sklearn.tree incluye modelos basados en árboles de decisión para clasificación y regresión.

Manual de usuario: Ver la sección Árboles de decisión para más detalles.

tree.DecisionTreeClassifier	Un clasificador de árbol de decisión.
tree.DecisionTreeRegressor	Un regresor de árbol de decisión.
tree.ExtraTreeClassifier	Un clasificador de árboles extremadamente aleatorio.
tree.ExtraTreeRegressor	Un regresor de árbol extremadamente aleatorio.

tree.export_graphviz	Exporta un árbol de decisiones en formato DOT.
tree.export_text	Crea un reporte que muestra las reglas de un árbol de decisión.

Graficos

tree.plot_tree

Grafica un árbol de decisión.

sklearn.utils: Utilidades

El módulo sklearn.utils incluye varias utilidades.

Guía del desarrollador: Consulte la página Utilidades para Desarrolladores para más detalles.

utils.arrayfuncs.min_pos	Encuentra el valor mínimo de un arreglo sobre valores positivos
utils.as_float_array	Convierte un array-like en un arreglo de valores de punto flotante.
utils.assert_all_finite	Arroja un ValueError si X contiene NaN o infinito.
utils.Bunch	Objeto contenedor que expone las claves como atributos.
utils.check_X_y	Validación de entrada para estimadores estándar.
utils.check_array	Validación de entrada en un arreglo, lista, matriz dispersa o similar.
utils.check_scalar	Valida el tipo y el valor de los parámetros escalares.
utils.check_consistent_length	Comprueba que todos los arreglos tengan dimensiones iniciales consistentes.
utils.check_random_state	Convierte semillas en una instancia de np.random.RandomState
utils.class_weight.compute_class_weight	Estima los pesos de las clases para conjuntos de datos no balanceados.
utils.class_weight.compute_sample_weight	Estima los pesos muestrales por clase para conjuntos de datos no balanceados.
utils.deprecated	Decorador para marcar una función o clase como obsoleta.
utils.estimator_checks.check_estimator	Comprueba si el estimador cumple las convenciones de scikit-learn.
utils.estimator_checks.parametrize_with_checks	Decorador específico de pytest para parametrizar las comprobaciones del estimador.
utils.estimator_html_repr	Construye una representación HTML de un estimador.
utils.extmath.safe_sparse_dot	Producto punto que maneja correctamente el caso de una matriz dispersa.
utils.extmath.randomized_range_finder	Calcula una matriz ortonormal cuyo rango se aproxima el rango de A.
utils.extmath.randomized_svd	Calcula una SVD truncada aleatorizada.
utils.extmath.fast_logdet	Calcula log(det(A)) para A simétrico.
utils.extmath.density	Calcula la densidad de un vector disperso.
utils.extmath.weighted_mode	Devuelve un arreglo del valor modal (más común) ponderado en a.
utils.gen_even_slices	Generador para crear n_packs rebanadas que suben a n.
utils.graph.single_source_shortest_path_length	Devuelve la longitud del camino más corto desde el origen a todos los nodos alcanzables.
utils.graph_shortest_path.graph_shortest_path	Realiza una búsqueda del camino más corto en un grafo positivo dirigido o no dirigido.
utils.indexable	Construye arreglos indexables para la validación cruzada.
utils.metaestimators.if_delegate_has_method	Crea un decorador para métodos que se delegan a un subestimador
utils.multiclass.type_of_target	Determina el tipo de datos indicados por el objetivo.
utils.multiclass.is_multilabel	Comprueba si y está en un formato multietiqueta.
utils.multiclass.unique_labels	Extrae un arreglo ordenado de etiquetas únicas.
utils.murmurhash3_32	Calcula el murmurhash3 de 32 bits de la clave en la semilla.
utils.resample	Remuestrea arreglos o matrices dispersas de forma coherente.
utils._safe_indexing	Devuelve filas, elementos o columnas de X usando índices.
utils.safe_mask	Devuelve una máscara que es segura para usar en X.
utils.safe_sqr	Encuadrado por cada elemento de array-like y matrices dispersas.
utils.shuffle	Revuelve arreglos o matrices dispersas de forma coherente.
utils.sparsefuncs.incr_mean_variance_axis	Calcula la media y varianza incremental a lo largo de un eje en una matriz CSR o CSC.
utils.sparsefuncs.inplace_column_scale	Escalamiento de columnas in place de una matriz CSC/CSR.
utils.sparsefuncs.inplace_row_scale	Escalamiento de filas in place de una matriz CSR o CSC.
utils.sparsefuncs.inplace_swap_row	Intercambia dos filas de una matriz CSC/CSR in place.
utils.sparsefuncs.inplace_swap_column	Intercambia dos columnas de una matriz CSC/CSR in place.
utils.sparsefuncs.mean_variance_axis	Calcula la media y la varianza a lo largo de un eje en una matriz CSR o CSC.
utils.sparsefuncs.inplace_csr_column_scale	Escalamiento de columnas in place de una matriz CSR.
utils.sparsefuncs_fast.inplace_csr_row_normalize_l1	Normalización de filas in place utilizando la norma l1
utils.sparsefuncs_fast.inplace_csr_row_normalize_l2	Normalización de filas in place utilizando la norma l2
utils.random.sample_without_replacement	Muestra de enteros sin reemplazo.
utils.validation.check_is_fitted	Realiza la validación is_fitted para el estimador.
utils.validation.check_memory	Comprueba que memory sea joblib.Memory-like.
utils.validation.check_symmetric	Verifica que el arreglo es 2D, cuadrado y simétrico.
utils.validation.column_or_1d	Columna Ravel o arreglo 1d numpy, de lo contrario genera un error.
utils.validation.has_fit_parameter	Comprueba si el método de ajuste del estimador admite el parámetro dado.
utils.all_estimators	Obtiene una lista de todos los estimadores de sklearn.

Utilidades de joblib:

utils.parallel_backend	Cambia el backend predeterminado utilizado por Parallel dentro de un bloque with.
utils.register_parallel_backend	Registra un nuevo backend Parallel factory.

Recientemente obsoleto

A ser eliminado en 1.0 (renombrado de 0.25)