Scikit-learn是一个强大的机器学习库，它提供了许多用于数据挖掘和数据分析的工具。其中，估计器是实现各种机器学习算法的核心组件。本文将介绍如何使用一个特定的函数来检索Scikit-learn库中所有继承自BaseEstimator的估计器类。这个过程不包括测试模块中定义的类。
这个函数允许通过参数来过滤想要的估计器类型。如果没有指定参数，那么将返回所有的估计器。可以指定的类型包括分类器（classifier）、回归器（regressor）、聚类器（cluster）和转换器（transformer）。此外，也可以通过传递一个字符串列表来获取符合至少一种类型的估计器。
函数的返回值是一个元组列表，其中每个元组包含估计器的名称和实际的类类型。这使得可以轻松地获取和使用特定的估计器。下面是一个使用这个函数的示例：
from sklearn.utils.discovery import all_estimators
# 获取所有估计器
estimators = all_estimators()
print(type(estimators)) # 输出: <class 'list'>
print(type(estimators[0])) # 输出: <class 'tuple'>
# 显示前两个估计器
print(estimators[:2])
# 输出类似于: [('ARDRegression', <class 'sklearn.linear_model._bayes.ARDRegression'>),
# ('AdaBoostClassifier', <class 'sklearn.ensemble._weight_boosting.AdaBoostClassifier'>)]
# 仅获取分类器
classifiers = all_estimators(type_filter="classifier")
print(classifiers[:2])
# 仅获取回归器
regressors = all_estimators(type_filter="regressor")
print(regressors[:2])
# 获取分类器和回归器
both = all_estimators(type_filter=["classifier", "regressor"])
print(both[:2])
通过上述代码，可以看到如何使用这个函数来检索和过滤Scikit-learn中的估计器。这对于需要特定类型估计器的机器学习项目来说非常有用。例如，如果正在构建一个分类模型，可能只对分类器感兴趣，而不需要其他类型的估计器。通过使用这个函数，可以快速地获取到所有相关的分类器，从而加速开发过程。
Scikit-learn的这种灵活性和易用性是其广受欢迎的原因之一。它不仅提供了丰富的机器学习算法，还通过提供这样的工具函数，使得可以更加方便地管理和使用这些算法。无论是对于机器学习的新手还是有经验的开发者，Scikit-learn都是一个强大的工具库，可以帮助构建和优化机器学习模型。