def make_pipeline(*steps, **kwargs):
? ? """Construct a Pipeline from the given estimators.

? ? This is a shorthand for the Pipeline constructor; it does not require, and?does not permit, naming the estimators. Instead, their names will be set??to the lowercase of their types automatically.

? ? Parameters
? ? ----------
? ? *steps : list of estimators,

? ? memory : None, str or object with the joblib.Memory interface, optional
? ? ? ? Used to cache the fitted transformers of the pipeline. By default, no caching is performed. If a string is given, it is the path to the caching directory. Enabling caching triggers a clone of??the transformers before fitting. Therefore, the transformer??instance given to the pipeline cannot be inspected directly. Use the attribute ``named_steps`` or ``steps`` to??inspect estimators within the pipeline. Caching the transformers is advantageous when fitting is time consuming.

根據給定的估算器構造一條管道。

這是管道構造函數的簡寫;它不需要，也不允許命名估算器。相反，它們的名稱將自動設置為類型的小寫。

參數

????----------

*steps :評估表、

memory:無，str或帶有joblib的對象。內存接口,可選

用于緩存安裝在管道中的變壓器。默認情況下，不執行緩存。如果給定一個字符串，它就是到緩存目錄的路徑。啟用緩存會在安裝前觸發變壓器的克隆。因此，給管線的變壓器實例不能直接檢查。使用屬性' ' named_steps ' ' '或' ' steps ' '檢查管道中的評估器。當裝配耗時時，緩存變壓器是有利的。

? ? Examples
? ? --------
? ? >>> from sklearn.naive_bayes import GaussianNB
? ? >>> from sklearn.preprocessing import StandardScaler
? ? >>> make_pipeline(StandardScaler(), GaussianNB(priors=None))
? ? ... ? ? # doctest: +NORMALIZE_WHITESPACE
? ? Pipeline(memory=None,
? ? ? ? ? ? ?steps=[('standardscaler',
? ? ? ? ? ? ? ? ? ? ?StandardScaler(copy=True, with_mean=True, with_std=True)),
? ? ? ? ? ? ? ? ? ? ('gaussiannb', GaussianNB(priors=None))])

? ? Returns
? ? -------
? ? p : Pipeline
? ? """
? ? memory = kwargs.pop('memory', None)
? ? if kwargs:
? ? ? ? raise TypeError('Unknown keyword arguments: "{}"'
? ? ? ? ? ? ? ? ? ? ? ? .format(list(kwargs.keys())[0]))
? ? return Pipeline(_name_estimators(steps), memory=memory)

class RobustScaler(BaseEstimator, TransformerMixin):
? ? """Scale features using statistics that are robust to outliers.

? ? This Scaler removes the median and scales the data according to??the quantile range (defaults to IQR: Interquartile Range).
? ? The IQR is the range between the 1st quartile (25th quantile)??and the 3rd quartile (75th quantile). Centering and scaling happen independently on each feature (or each sample, depending on the ``axis`` argument) by computing the relevant statistics on the samples in the training set. Median and ?interquartile? range are then stored to be used on later data using the ``transform`` method.

? ? Standardization of a dataset is a common requirement for many??machine learning estimators. Typically this is done by removing the mean and scaling to unit variance. However, outliers can often influence the sample mean / variance in a negative way. In such cases, the median and??the interquartile range often give better results.

? ? .. versionadded:: 0.17

? ? Read more in the :ref:`User Guide <preprocessing_scaler>`.

? ? Parameters
? ? ----------
? ? with_centering : boolean, True by default
? ? ? ? If True, center the data before scaling.??This will cause ``transform`` to raise an exception when attempted on sparse matrices, because centering them entails building a dense matrix which in common use cases is likely to be too large to fit in??memory.

? ? with_scaling : boolean, True by default
? ? ? ? If True, scale the data to interquartile range.

? ? quantile_range : tuple (q_min, q_max), 0.0 < q_min < q_max < 100.0
? ? ? ? Default: (25.0, 75.0) = (1st quantile, 3rd quantile) = IQR
? ? ? ? Quantile range used to calculate ``scale_``.

? ? ? ? .. versionadded:: 0.18

? ? copy : boolean, optional, default is True
? ? ? ? If False, try to avoid a copy and do inplace scaling instead. This is not guaranteed to always work inplace; e.g. if the data is not a NumPy array or scipy.sparse CSR matrix, a copy may still be
? ? ? ? returned.

? ? Attributes
? ? ----------
? ? center_ : array of floats
? ? ? ? The median value for each feature in the training set.

? ? scale_ : array of floats
? ? ? ? The (scaled) interquartile range for each feature in the training set.

? ? ? ? .. versionadded:: 0.17
? ? ? ? ? ?*scale_* attribute.

? ? See also
? ? --------
? ? robust_scale: Equivalent function without the estimator API.

? ? :class:`sklearn.decomposition.PCA`
? ? ? ? Further removes the linear correlation across features with?? 'whiten=True'.

? ? Notes
? ? -----
? ? For a comparison of the different scalers, transformers, and normalizers, see :ref:`examples/preprocessing/plot_all_scaling.py
? ? <sphx_glr_auto_examples_preprocessing_plot_all_scaling.py>`.

? ? https://en.wikipedia.org/wiki/Median_(statistics)
? ? https://en.wikipedia.org/wiki/Interquartile_range
? ? """

?

使用對離群值穩健的統計數據來衡量特征。

這個標量去除中值，并根據分位數范圍(默認為IQR:四分位數范圍)對數據進行縮放。
IQR是第1個四分位數(第25分位數)和第3個四分位數(第75分位數)之間的范圍。通過計算訓練集中樣本的相關統計數據，在每個特征(或每個樣本，取決于“軸”參數)上獨立地進行定心和縮放。然后，中值和四分位范圍被存儲起來，以便使用“變換”方法在以后的數據中使用。

數據集的標準化是許多機器學習估計器的常見需求。這通常是通過去除平均值和縮放到單位方差來實現的。然而，異常值往往會對樣本均值/方差產生負面影響。在這種情況下，中位數和四分位范圍通常會得到更好的結果。

. .versionadded:: 0.17

詳見:ref: ' User Guide ?'。</preprocessing_scaler>

參數
?----------
with_center:boolean，默認為True
如果為真，在縮放前將數據居中。這將導致“轉換”在嘗試處理稀疏矩陣時引發異常，因為圍繞它們需要構建一個密集的矩陣，在常見的用例中，這個矩陣可能太大而無法裝入內存。

with_scaling:布爾值，默認為True
如果為真，將數據縮放到四分位范圍。

quantile_range:元組(q_min, q_max)， 0.0 < q_min < q_max < 100.0
默認:(25.0,75.0)=(第1分位數，第3分位數)= IQR
用于計算' ' scale_ ' '的分位數范圍。

. .versionadded:: 0.18

布爾值，可選，默認為真
如果為False，則盡量避免復制，而改為就地縮放。這并不能保證總是有效的;例如，如果數據不是一個NumPy數組或scipy。稀疏CSR矩陣，仍可復制
返回。

屬性
----------
浮點數數組
訓練集中每個特征的中值。

浮點數數組
訓練集中每個特征的(縮放的)四分位范圍。

. .versionadded:: 0.17
* scale_ *屬性。

另請參閱
?--------
沒有estimator API的等價函數。

類:“sklearn.decomposition.PCA”
進一步消除了“whiten=True”特征之間的線性相關性。

筆記
-----
對于不同的標量、轉換器和規整器的比較，請參見:ref: ' examples/preprocessing/ plot_all_scale .py
< sphx_glr_auto_examples_preprocessing_plot_all_scaling.py >”。

https://en.wikipedia.org/wiki/Median_(統計)
https://en.wikipedia.org/wiki/Interquartile_range
”“”

?

? ? def __init__(self, with_centering=True, with_scaling=True,
? ? ? ? ? ? ? ? ?quantile_range=(25.0, 75.0), copy=True):
? ? ? ? self.with_centering = with_centering
? ? ? ? self.with_scaling = with_scaling
? ? ? ? self.quantile_range = quantile_range
? ? ? ? self.copy = copy

? ? def _check_array(self, X, copy):
? ? ? ? """Makes sure centering is not enabled for sparse matrices."""
? ? ? ? X = check_array(X, accept_sparse=('csr', 'csc'), copy=self.copy,
? ? ? ? ? ? ? ? ? ? ? ? estimator=self, dtype=FLOAT_DTYPES)

? ? ? ? if sparse.issparse(X):
? ? ? ? ? ? if self.with_centering:
? ? ? ? ? ? ? ? raise ValueError(
? ? ? ? ? ? ? ? ? ? "Cannot center sparse matrices: use `with_centering=False`"
? ? ? ? ? ? ? ? ? ? " instead. See docstring for motivation and alternatives.")
? ? ? ? return X

? ? def fit(self, X, y=None):
? ? ? ? """Compute the median and quantiles to be used for scaling.

? ? ? ? Parameters
? ? ? ? ----------
? ? ? ? X : array-like, shape [n_samples, n_features]
? ? ? ? ? ? The data used to compute the median and quantiles
? ? ? ? ? ? used for later scaling along the features axis.
? ? ? ? """
? ? ? ? if sparse.issparse(X):
? ? ? ? ? ? raise TypeError("RobustScaler cannot be fitted on sparse inputs")
? ? ? ? X = self._check_array(X, self.copy)
? ? ? ? if self.with_centering:
? ? ? ? ? ? self.center_ = np.median(X, axis=0)

? ? ? ? if self.with_scaling:
? ? ? ? ? ? q_min, q_max = self.quantile_range
? ? ? ? ? ? if not 0 <= q_min <= q_max <= 100:
? ? ? ? ? ? ? ? raise ValueError("Invalid quantile range: %s" %
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?str(self.quantile_range))

? ? ? ? ? ? q = np.percentile(X, self.quantile_range, axis=0)
? ? ? ? ? ? self.scale_ = (q[1] - q[0])
? ? ? ? ? ? self.scale_ = _handle_zeros_in_scale(self.scale_, copy=False)
? ? ? ? return self

? ? def transform(self, X):
? ? ? ? """Center and scale the data.

? ? ? ? Can be called on sparse input, provided that ``RobustScaler`` has been
? ? ? ? fitted to dense input and ``with_centering=False``.

? ? ? ? Parameters
? ? ? ? ----------
? ? ? ? X : {array-like, sparse matrix}
? ? ? ? ? ? The data used to scale along the specified axis.
? ? ? ? """
? ? ? ? if self.with_centering:
? ? ? ? ? ? check_is_fitted(self, 'center_')
? ? ? ? if self.with_scaling:
? ? ? ? ? ? check_is_fitted(self, 'scale_')
? ? ? ? X = self._check_array(X, self.copy)

? ? ? ? if sparse.issparse(X):
? ? ? ? ? ? if self.with_scaling:
? ? ? ? ? ? ? ? inplace_column_scale(X, 1.0 / self.scale_)
? ? ? ? else:
? ? ? ? ? ? if self.with_centering:
? ? ? ? ? ? ? ? X -= self.center_
? ? ? ? ? ? if self.with_scaling:
? ? ? ? ? ? ? ? X /= self.scale_
? ? ? ? return X

? ? def inverse_transform(self, X):
? ? ? ? """Scale back the data to the original representation

? ? ? ? Parameters
? ? ? ? ----------
? ? ? ? X : array-like
? ? ? ? ? ? The data used to scale along the specified axis.
? ? ? ? """
? ? ? ? if self.with_centering:
? ? ? ? ? ? check_is_fitted(self, 'center_')
? ? ? ? if self.with_scaling:
? ? ? ? ? ? check_is_fitted(self, 'scale_')
? ? ? ? X = self._check_array(X, self.copy)

? ? ? ? if sparse.issparse(X):
? ? ? ? ? ? if self.with_scaling:
? ? ? ? ? ? ? ? inplace_column_scale(X, self.scale_)
? ? ? ? else:
? ? ? ? ? ? if self.with_scaling:
? ? ? ? ? ? ? ? X *= self.scale_
? ? ? ? ? ? if self.with_centering:
? ? ? ? ? ? ? ? X += self.center_
? ? ? ? return X

class KFold Found at: sklearn.model_selection._split

class KFold(_BaseKFold):
? ? """K-Folds cross-validator
? ? Provides train/test indices to split data in train/test sets. Split??dataset into k consecutive folds (without shuffling by default).
? ? Each fold is then used once as a validation while the k - 1 remaining??folds form the training set.
? ? Read more in the :ref:`User Guide <cross_validation>`.?
? ? Parameters
? ? ----------
? ? n_splits : int, default=3
? ? Number of folds. Must be at least 2.
? ??
? ? shuffle : boolean, optional
? ? Whether to shuffle the data before splitting into batches.
? ??
? ? random_state : int, RandomState instance or None, optional,?
? ? ?default=None
? ? If int, random_state is the seed used by the random number? generator;
? ? If RandomState instance, random_state is the random number? generator;
? ? If None, the random number generator is the RandomState? instance used??by `np.random`. Used when ``shuffle`` == True.

在:sklearn.model_select ._split找到的類KFold

類KFold (_BaseKFold):
”““K-Folds cross-validator
提供訓練/測試索引來分割訓練/測試集中的數據。將數據集分割成k個連續的折疊(默認情況下沒有洗牌)。
然后，每條折疊使用一次作為驗證，而k - 1條剩余折疊形成訓練集。
更多信息參見:ref: ' User Guide <cross_validation> '。</cross_validation>
參數
----------
n_splits :int，默認=3
折疊的數量。必須至少是2。

shuffle :布爾型，可選
在分割成批之前是否打亂數據。

random_state :int, RandomState實例或None，可選，
默認=沒有
如果int, random_state是隨機數生成器使用的種子;
如果是RandomState實例，則random_state為隨機數生成器;
如果沒有，隨機數生成器是“np.random”使用的RandomState實例。當' ' shuffle ' == True時使用。

def cross_val_score Found at: sklearn.model_selection._validation

def cross_val_score(estimator, X, y=None, groups=None, scoring=None, cv=None,? n_jobs=1, verbose=0, fit_params=None,???pre_dispatch='2*n_jobs'):
? ? """Evaluate a score by cross-validation
? ? Read more in the :ref:`User Guide <cross_validation>`.

通過交叉驗證來評估一個分數

更多信息參見:ref: ' User Guide '。

參數

????----------

estimator:實現“適合”對象以適合數據。

????

X:數組類

需要匹配的數據。可以是列表，也可以是數組。

????

y : 類似數組，可選，默認:無

在監督學習的情況下，預測的目標變量。

????

groups : 類數組，形狀(n_samples，)，可選

將數據集分割為訓練/測試集時使用的樣本的標簽分組。

????

scoring : 字符串，可調用或無，可選，默認:無

一個字符串(參見模型評估文檔)或簽名為' ' scorer(estimator, X, y) ' '的scorer可調用對象/函數。

????

cv : int，交叉驗證生成器或可迭代，可選

確定交叉驗證分割策略。

cv可能的輸入有:

-無，使用默認的三折交叉驗證，

-整數，用于指定“(分層的)KFold”中的折疊數，

-用作交叉驗證生成器的對象。

-一個可迭代產生的序列，測試分裂。

對于整數/無輸入，如果估計器是一個分類器，并且' ' y ' '是二進制的或多類的，則使用:class: ' StratifiedKFold '。在所有其他情況下，使用:class: ' KFold '。

????

請參考:ref: ' User Guide '，了解可以在這里使用的各種交叉驗證策略。

????

n_jobs:整數，可選

用于進行計算的cpu數量。-1表示“所有cpu”。

????

verbose:整數，可選

冗長的水平。

????

fit_params :dict，可選

參數傳遞給估計器的擬合方法。

????

pre_dispatch: int或string，可選

控制并行執行期間分派的作業數量。當分配的作業多于cpu能夠處理的任務時，減少這個數量有助于避免內存消耗激增。該參數可以為:

-無，在這種情況下，立即創建并派生所有作業。將此用于輕量級和快速運行的作業，以避免由于按需生成作業而造成的延遲

-一個int，給出生成的作業的確切總數

一個字符串，給出一個作為n_jobs函數的表達式，如'2*n_jobs'

????

返回

????-------

(len(list(cv))，)

交叉驗證的每次運行估計器的分數數組。

Classification

‘accuracy’

metrics.accuracy_score

‘balanced_accuracy’

metrics.balanced_accuracy_score

‘average_precision’

metrics.average_precision_score

‘neg_brier_score’

metrics.brier_score_loss

‘f1’

metrics.f1_score

for binary targets

‘f1_micro’

metrics.f1_score

micro-averaged

‘f1_macro’

metrics.f1_score

macro-averaged

‘f1_weighted’

metrics.f1_score

weighted average

‘f1_samples’

metrics.f1_score

by multilabel sample

‘neg_log_loss’

metrics.log_loss

requires predict_proba support

‘precision’ etc.

metrics.precision_score

suffixes apply as with ‘f1’

‘recall’ etc.

metrics.recall_score

suffixes apply as with ‘f1’

‘jaccard’ etc.

metrics.jaccard_score

suffixes apply as with ‘f1’

‘roc_auc’

metrics.roc_auc_score

‘roc_auc_ovr’

metrics.roc_auc_score

‘roc_auc_ovo’

metrics.roc_auc_score

‘roc_auc_ovr_weighted’

metrics.roc_auc_score

‘roc_auc_ovo_weighted’

metrics.roc_auc_score

Clustering

‘adjusted_mutual_info_score’

metrics.adjusted_mutual_info_score

‘adjusted_rand_score’

metrics.adjusted_rand_score

‘completeness_score’

metrics.completeness_score

‘fowlkes_mallows_score’

metrics.fowlkes_mallows_score

‘homogeneity_score’

metrics.homogeneity_score

‘mutual_info_score’

metrics.mutual_info_score

‘normalized_mutual_info_score’

metrics.normalized_mutual_info_score

‘v_measure_score’

metrics.v_measure_score

Regression

‘explained_variance’

metrics.explained_variance_score

‘max_error’

metrics.max_error

‘neg_mean_absolute_error’

metrics.mean_absolute_error

‘neg_mean_squared_error’

metrics.mean_squared_error

‘neg_root_mean_squared_error’

metrics.mean_squared_error

‘neg_mean_squared_log_error’

metrics.mean_squared_log_error

‘neg_median_absolute_error’

metrics.median_absolute_error

‘r2’

metrics.r2_score

‘neg_mean_poisson_deviance’

metrics.mean_poisson_deviance

‘neg_mean_gamma_deviance’

metrics.mean_gamma_deviance