sklearn分类模型汇总（一）
文章目录
Support Vector Machine algorithms
svm.LinearSVC函数参数：
- penalty：{‘l1’, ‘l2’}, default=’l2’，正则化方法。
- loss：{‘hinge’, ‘squared_hinge’}, default=’squared_hinge’，loss函数。
- dual：“auto” or bool, default=True，选择算法来解决对偶或原始优化问题。
- tol：default=1e-4，tolerance for stopping criteria。
- C：float, default=1.0，正则化大小。
- multi_class：{‘ovr’, ‘crammer_singer’}, default=’ovr’
- fit_intercept：bool, default=True
- intercept_scaling：float, default=1.0，”b“的大小。
- class_weight：dict or ‘balanced’, default=None，标签权重列表。
- verbose：default=0，启用详细输出。
- random_state：随机数种子, default=None
- max_iterint：default=1000，要运行的最大迭代次数。
svm.NuSVC函数参数：
- nu：default=0.5，边际误差分数的上限和支持向量分数的下限，应在区间 (0, 1] 内。
- kernel：{‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’} or callable, default=’rbf’，核函数。
- degree：default=3，多项式核函数的次数（‘poly’），必须是非负数。其他内核忽略。
- coef0：default=0.0，核函数中的独立项。它仅在“poly”和“sigmoid”中有意义。
- shrinking：default=True，是否使用收缩启发式。
- probability：default=False，是否启用概率估计。
- cache_size：default=200，指定内核缓存的大小（以 MB 为单位）。
- tol：default=1e-4，tolerance for stopping criteria。
- class_weight：dict or ‘balanced’, default=None，标签权重列表。
- verbose：default=0，启用详细输出。
- random_state：随机数种子, default=None
- max_iterint：default=1000，要运行的最大迭代次数。
- decision_function_shape：{‘ovo’, ‘ovr’}, default=’ovr’。
svm.SVC函数参数：
- C：float, default=1.0，正则化大小。
- kernel：{‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’} or callable, default=’rbf’，核函数。
- degree：default=3，多项式核函数的次数（‘poly’），必须是非负数。其他内核忽略。
- gamma：{‘scale’, ‘auto’} or float, default=’scale’，“rbf”、“poly”和“sigmoid”的核系数。
- coef0：default=0.0，核函数中的独立项。它仅在“poly”和“sigmoid”中有意义。
- shrinking：default=True，是否使用收缩启发式。
- probability：default=False，是否启用概率估计。
- cache_size：default=200，指定内核缓存的大小（以 MB 为单位）。
- tol：default=1e-4，tolerance for stopping criteria。
- class_weight：dict or ‘balanced’, default=None，标签权重列表。
- verbose：default=0，启用详细输出。
- random_state：随机数种子, default=None
- max_iterint：default=1000，要运行的最大迭代次数。
- decision_function_shape：{‘ovo’, ‘ovr’}, default=’ovr’。
Decision tree-based models
tree.DecisionTreeClassifier函数参数：
- criterion：{“gini”, “entropy”, “log_loss”}, default=”gini”，衡量分割质量的函数。
- splitter：{“best”, “random”}, default=”best”，用于在每个节点选择分裂的策略。
- min_samples_split：int or float, default=2，分裂内部节点所需的最小样本数。
- min_samples_leaf：int or float, default=1，叶节点所需的最小样本数。任何深度的分割点只有在左右分支中至少留下 min_samples_leaf 训练样本时才会被考虑。这可能具有平滑模型的效果，尤其是在回归中。
- min_weight_fraction_leaf：default=0.0，叶节点处所需的（所有输入样本的）权重总和的最小加权分数。当未提供sample_weight时，样本具有相同的权重。
- max_features：int, float or {“sqrt”, “log2”}, default=None，寻找最佳分割时要考虑的特征数量。
- random_state：随机数种子, default=None。
- max_leaf_nodes：int, default=None。
- min_impurity_decrease：float, default=0.0，如果分裂导致杂质减少大于或等于该值，则节点将被分裂。
- class_weight：dict or ‘balanced’, default=None，标签权重列表。
- ccp_alpha：non-negative float, default=0.0，用于最小成本复杂性修剪的复杂性参数。将选择成本复杂度最大且小于 ccp_alpha 的子树。默认情况下，不执行修剪。
- monotonic_cst：array-like of int of shape (n_features), default=None，表示对每个特征执行的单调性约束。
tree.ExtraTreeClassifier函数参数：
- criterion：{“gini”, “entropy”, “log_loss”}, default=”gini”，衡量分割质量的函数。
- splitter：{“best”, “random”}, default=”best”，用于在每个节点选择分裂的策略。
- max_depthint, default=None，树的最大深度。如果没有，则扩展节点，直到所有叶子都是纯的或直到所有叶子包含少于 min_samples_split 样本。
- min_samples_split：int or float, default=2，分裂内部节点所需的最小样本数。
- min_samples_leaf：int or float, default=1，叶节点所需的最小样本数。任何深度的分割点只有在左右分支中至少留下 min_samples_leaf 训练样本时才会被考虑。这可能具有平滑模型的效果，尤其是在回归中。
- min_weight_fraction_leaf：default=0.0，叶节点处所需的（所有输入样本的）权重总和的最小加权分数。当未提供sample_weight时，样本具有相同的权重。
- max_features：int, float or {“sqrt”, “log2”}, default=None，寻找最佳分割时要考虑的特征数量。
- random_state：随机数种子, default=None。
- max_leaf_nodes：int, default=None。
- min_impurity_decrease：float, default=0.0，如果分裂导致杂质减少大于或等于该值，则节点将被分裂。
- class_weight：dict or ‘balanced’, default=None，标签权重列表。
- ccp_alpha：non-negative float, default=0.0，用于最小成本复杂性修剪的复杂性参数。将选择成本复杂度最大且小于 ccp_alpha 的子树。默认情况下，不执行修剪。
- monotonic_cst：array-like of int of shape (n_features), default=None，表示对每个特征执行的单调性约束。
Neural network models
neural_network.BernoulliRBM函数参数：
- n_components：int, default=256，二进制隐藏单元的数量。
- learning_rate：float, default=0.1。
- batch_size：int, default=10。
- n_iter：int, default=10。
- verbose：int, default=0。
- random_state：int, RandomState instance or None, default=None。
neural_network.MLPClassifier函数参数：
- hidden_layer_sizes：array-like of shape(n_layers - 2,), default=(100,)。
- activation：{‘identity’, ‘logistic’, ‘tanh’, ‘relu’}, default=’relu’，隐藏层的激活函数。
- solver：{‘lbfgs’, ‘sgd’, ‘adam’}, default=’adam’，用于权重优化的求解器。
- alpha：float, default=0.0001，L2 正则化项的强度。添加到损失时，L2 正则化项除以样本大小。
- batch_size：int, default=’auto’。
- learning_rate：{‘constant’, ‘invscaling’, ‘adaptive’}, default=’constant’。
- learning_rate_init：float, default=0.001。
- power_t：float, default=0.5，逆缩放学习率的指数。当learning_rate设置为“invscaling”时，它用于更新有效学习率。仅当solver=’sgd’时使用。
- max_iter：int, default=200。
- shuffle：bool, default=True，是否在每次迭代中对样本进行打乱。仅当solver=’sgd’或’adam’时使用。
- random_state：int, RandomState instance or None, default=None。
- tol：float, default=1e-4，优化的容忍度。如果连续迭代 n_iter_no_change，损失或得分都没有至少提高 tol，除非 learning_rate 设置为 “自适应”，否则就会认为已经达到收敛，并停止训练。
- verbose：bool, default=False
- warm_start：bool, default=False，当设置为 True 时，重用先前调用的解来拟合作为初始化，否则，只需擦除先前的解。
- momentum：float, default=0.9，梯度下降更新的动量。应介于 0 和 1 之间。仅当solver=’sgd’时使用。
- nesterovs_momentum：bool, default=True，是否使用涅斯捷罗夫动量。仅在求解器='sgd’且动量大于 0 时使用。
- early_stopping：bool, default=False。
- validation_fraction：float, default=0.1，留作早期停止验证集的训练数据比例。必须介于 0 和 1 之间。仅在 Early_stopping 为 True 时使用。
- beta_1：float, default=0.9。
- beta_2：float, default=0.999。
- epsilon：float, default=1e-8。
- n_iter_no_change：int, default=10。
- max_fun：int, default=15000，仅当solver=’lbfgs’时使用。损失函数调用的最大次数。求解器迭代直至收敛（由“tol”确定）、迭代次数达到 max_iter 或损失函数调用次数。请注意，损失函数调用的次数将大于或等于 MLPClassifier 的迭代次数。
