teradataml.opensource.td_sklearn = <teradataml.opensource._class.Sklearn object>

DESCRIPTION:     Interface object to access exposed classes and functions of scikit-learn      opensource package. All the classes and functions can be run and attributes      can be accessed using the object created by "td_sklearn" interface object.     Refer Teradata Python Package User Guide for more information about OpenML      and exposed interface objects.   PARAMETERS:     None   RETURNS:     None   EXAMPLES:     # Load example data.     >>> load_example_data("openml", ["test_classification", "test_prediction"])     >>> df = DataFrame("test_classification")     >>> df.head(3)                    col2      col3      col4  label     col1     -2.560430  0.402232 -1.100742 -2.959588      0     -3.587546  0.291819 -1.850169 -4.331055      0     -3.697436  1.576888 -0.461220 -3.598652      0       >>> df_test = DataFrame("test_prediction")     >>> df_test.head(3)                    col2      col3      col4     col1     -2.560430  0.402232 -1.100742 -2.959588     -3.587546  0.291819 -1.850169 -4.331055     -3.697436  1.576888 -0.461220 -3.598652         # Get the feature and label data.     >>> df_x_clasif = df.select(df.columns[:-1])     >>> df_y_clasif = df.select(df.columns[-1])       >>> from teradataml import td_sklearn     >>> dt_cl = td_sklearn.DecisionTreeClassifier(random_state=0)     >>> dt_cl     DecisionTreeClassifier(random_state=0)       # Set the paramaters.     >>> dt_cl.set_params(random_state=2, max_features="sqrt")     DecisionTreeClassifier(max_features='sqrt', random_state=2)       # Get the paramaters.     >>> dt_cl.get_params()     {'ccp_alpha': 0.0,      'class_weight': None,      'criterion': 'gini',      'max_depth': None,      'max_features': 'sqrt',      'max_leaf_nodes': None,      'min_impurity_decrease': 0.0,      'min_impurity_split': None,      'min_samples_leaf': 1,      'min_samples_split': 2,      'min_weight_fraction_leaf': 0.0,      'random_state': 2,      'splitter': 'best'}       # Train the model using fit().     >>> dt_cl.fit(df_x_clasif, df_y_clasif)     DecisionTreeClassifier(max_features='sqrt', random_state=2)       # Perform prediction.     >>> dt_cl.predict(df_test)            col1      col2      col3      col4  decisiontreeclassifier_predict_1     0  1.105026 -1.949894 -1.537164  0.073171                                 1     1  1.878349  0.577289  1.795746  2.762539                                 1     2 -1.130582 -0.020296 -0.710234 -1.440991                                 0     3 -1.243781  0.280821 -0.437933 -1.379770                                 0     4 -0.509793  0.492659  0.248207 -0.309591                                 1     5 -0.345538 -2.296723 -2.811807 -1.993113                                 0     6  0.709217 -1.481740 -1.247431 -0.109140                                 0     7 -1.621842  1.713381  0.955084 -0.885921                                 1     8  2.425481 -0.549892  0.851440  2.689135                                 1     9  1.780375 -1.749949 -0.900142  1.061262                                 0       # Perform scoring.     >>> dt_cl.score(df_x_clasif, df_y_clasif)        score     0    1.0       # Access few attributes.     >>> dt_cl.classes_     array([0., 1.])       >>> dt_cl.feature_importances_     array([0.06945187, 0.02      , 0.67786339, 0.23268474])       >>> dt_cl.max_features_     2