[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-scikit-learn-contrib--skope-rules":3,"tool-scikit-learn-contrib--skope-rules":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":99,"forks":100,"last_commit_at":101,"license":102,"difficulty_score":103,"env_os":104,"env_gpu":104,"env_ram":104,"env_deps":105,"category_tags":113,"github_topics":79,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":114,"updated_at":115,"faqs":116,"releases":147},2460,"scikit-learn-contrib\u002Fskope-rules","skope-rules","machine learning with logical rules in Python","skope-rules 是一个基于 Python 和 scikit-learn 构建的机器学习库，旨在通过逻辑规则对特定目标类别进行高精度识别与描述。它的核心理念是在模型的可解释性与预测能力之间寻找最佳平衡点：既保留了决策树清晰易懂的逻辑结构，又吸收了随机森林强大的建模优势。\n\n在实际应用中，许多复杂的机器学习模型往往像“黑盒”一样难以理解，而传统的简单规则又可能缺乏足够的准确性。skope-rules 正是为了解决这一痛点而生。它能够自动学习并生成形式为“如果满足某些条件，则属于某类”的逻辑规则，帮助用户以极高的精度锁定目标数据实例。这种特性使得用户不仅能获得预测结果，还能清楚地知道模型是依据哪些具体特征做出的判断。\n\nskope-rules 特别适合需要高模型透明度的场景，例如金融风控、医疗诊断或合规性检查等领域。它主要面向数据科学家、机器学习工程师以及研究人员，尤其是那些在使用 Python 进行数据分析时，既希望利用集成学习的强大性能，又必须向业务方或监管机构解释模型决策逻辑的专业人士。通过简单的 pip 安装即可上手，用户可以轻松提取规则用于业务洞察，或直接将其作为评分器使用","skope-rules 是一个基于 Python 和 scikit-learn 构建的机器学习库，旨在通过逻辑规则对特定目标类别进行高精度识别与描述。它的核心理念是在模型的可解释性与预测能力之间寻找最佳平衡点：既保留了决策树清晰易懂的逻辑结构，又吸收了随机森林强大的建模优势。\n\n在实际应用中，许多复杂的机器学习模型往往像“黑盒”一样难以理解，而传统的简单规则又可能缺乏足够的准确性。skope-rules 正是为了解决这一痛点而生。它能够自动学习并生成形式为“如果满足某些条件，则属于某类”的逻辑规则，帮助用户以极高的精度锁定目标数据实例。这种特性使得用户不仅能获得预测结果，还能清楚地知道模型是依据哪些具体特征做出的判断。\n\nskope-rules 特别适合需要高模型透明度的场景，例如金融风控、医疗诊断或合规性检查等领域。它主要面向数据科学家、机器学习工程师以及研究人员，尤其是那些在使用 Python 进行数据分析时，既希望利用集成学习的强大性能，又必须向业务方或监管机构解释模型决策逻辑的专业人士。通过简单的 pip 安装即可上手，用户可以轻松提取规则用于业务洞察，或直接将其作为评分器使用，生成风险分数以评估分类效果。如果你正在寻找一种既能提供高精度预测，又能输出人类可读规则的解决方案，skope-rules 将是一个值得尝试的实用工具。",".. -*- mode: rst -*-\n\n|Travis|_  |Coveralls|_ |CircleCI|_ |Python27|_ |Python35|_\n\n.. |Travis| image:: https:\u002F\u002Fapi.travis-ci.org\u002Fskope-rules\u002Fskope-rules.svg?branch=master\n.. _Travis: https:\u002F\u002Ftravis-ci.org\u002Fskope-rules\u002Fskope-rules\n\n.. |Coveralls| image:: https:\u002F\u002Fcoveralls.io\u002Frepos\u002Fgithub\u002Fskope-rules\u002Fskope-rules\u002Fbadge.svg?branch=master\n.. _Coveralls: https:\u002F\u002Fcoveralls.io\u002Fgithub\u002Fskope-rules\u002Fskope-rules?branch=master\n\n.. |CircleCI| image:: https:\u002F\u002Fcircleci.com\u002Fgh\u002Fskope-rules\u002Fskope-rules\u002Ftree\u002Fmaster.svg?style=shield&circle-token=:circle-token\n.. _CircleCI: https:\u002F\u002Fcircleci.com\u002Fgh\u002Fskope-rules\u002Fskope-rules\n\n.. |Python27| image:: https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpython-2.7-blue.svg\n.. _Python27: https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fskope-rules\n\n.. |Python35| image:: https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpython-3.5-blue.svg\n.. _Python35: https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fskope-rules\n\n.. image:: logo.png\n\nskope-rules\n===========\n\nSkope-rules is a Python machine learning module built on top of\nscikit-learn and distributed under the 3-Clause BSD license.\n\nSkope-rules aims at learning logical, interpretable rules for \"scoping\" a target\nclass, i.e. detecting with high precision instances of this class.\n\nSkope-rules is a trade off between the interpretability of a Decision Tree\nand the modelization power of a Random Forest.\n\nSee the `AUTHORS.rst \u003CAUTHORS.rst>`_ file for a list of contributors.\n\n.. image:: schema.png\n\n\nInstallation\n------------\n\nYou can get the latest sources with pip :\n\n    pip install skope-rules\n\n   \nQuick Start\n------------\n\nSkopeRules can be used to describe classes with logical rules :\n\n.. code:: python\n\n    from sklearn.datasets import load_iris\n    from skrules import SkopeRules\n    \n    dataset = load_iris()\n    feature_names = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width']\n    clf = SkopeRules(max_depth_duplication=2,\n                     n_estimators=30,\n                     precision_min=0.3,\n                     recall_min=0.1,\n                     feature_names=feature_names)\n    \n    for idx, species in enumerate(dataset.target_names):\n        X, y = dataset.data, dataset.target\n        clf.fit(X, y == idx)\n        rules = clf.rules_[0:3]\n        print(\"Rules for iris\", species)\n        for rule in rules:\n            print(rule)\n        print()\n        print(20*'=')\n        print()\n::\n\nSkopeRules can also be used as a predictor if you use the \"score_top_rules\" method :\n\n.. code:: python\n\n    from sklearn.datasets import load_boston\n    from sklearn.metrics import precision_recall_curve\n    from matplotlib import pyplot as plt\n    from skrules import SkopeRules\n    \n    dataset = load_boston()\n    clf = SkopeRules(max_depth_duplication=None,\n                     n_estimators=30,\n                     precision_min=0.2,\n                     recall_min=0.01,\n                     feature_names=dataset.feature_names)\n    \n    X, y = dataset.data, dataset.target > 25\n    X_train, y_train = X[:len(y)\u002F\u002F2], y[:len(y)\u002F\u002F2]\n    X_test, y_test = X[len(y)\u002F\u002F2:], y[len(y)\u002F\u002F2:]\n    clf.fit(X_train, y_train)\n    y_score = clf.score_top_rules(X_test) # Get a risk score for each test example\n    precision, recall, _ = precision_recall_curve(y_test, y_score)\n    plt.plot(recall, precision)\n    plt.xlabel('Recall')\n    plt.ylabel('Precision')\n    plt.title('Precision Recall curve')\n    plt.show()\n::\n\n\nFor more examples and use cases please check our `documentation \u003Chttp:\u002F\u002Fskope-rules.readthedocs.io\u002Fen\u002Flatest\u002F>`_.\nYou can also check the `demonstration notebooks \u003Cnotebooks\u002F>`_.\n\nLinks with existing literature\n-------------------------------\n\nThe main advantage of decision rules is that they are offering interpretable models. The problem of generating such rules has been widely considered in machine learning, see e.g. RuleFit [1], Slipper [2], LRI [3], MLRules[4].\n\nA decision rule is a logical expression of the form \"IF conditions THEN response\". In a binary classification setting, if an instance satisfies conditions of the rule, then it is assigned to one of the two classes. If this instance does not satisfy conditions, it remains unassigned.\n\n1) In [2, 3, 4], rules induction is done by considering each single decision rule as a base classifier in an ensemble, which is built by greedily minimizing some loss function.\n\n2) In [1], rules are extracted from an ensemble of trees; a weighted combination of these rules is then built by solving a L1-regularized optimization problem over the weights as described in [5].\n\nIn this package, we use the second approach. Rules are extracted from tree ensemble, which allow us to take advantage of existing fast algorithms (such as bagged decision trees, or gradient boosting) to produce such tree ensemble. Too similar or duplicated rules are then removed, based on a similarity threshold of their supports..\nThe main goal of this package is to provide rules verifying precision and recall conditions. It still implement a score (`decision_function`) method, but which does not solve the L1-regularized optimization problem as in [1]. Instead, weights are simply proportional to the OOB associated precision of the rule.\n\nThis package also offers convenient methods to compute predictions with the k most precise rules (cf score_top_rules() and predict_top_rules() functions).\n\n\n[1] Friedman and Popescu, Predictive learning via rule ensembles,Technical Report, 2005.\n\n[2] Cohen and Singer, A simple, fast, and effective rule learner, National Conference on Artificial Intelligence, 1999.\n\n[3] Weiss and Indurkhya, Lightweight rule induction, ICML, 2000.\n\n[4] Dembczyński, Kotłowski and Słowiński, Maximum Likelihood Rule Ensembles, ICML, 2008.\n\n[5] Friedman and Popescu, Gradient directed regularization, Technical Report, 2004.\n\nDependencies\n------------\n\nskope-rules requires:\n\n- Python (>= 2.7 or >= 3.3)\n- NumPy (>= 1.10.4)\n- SciPy (>= 0.17.0)\n- Pandas (>= 0.18.1)\n- Scikit-Learn (>= 0.17.1)\n\nFor running the examples Matplotlib >= 1.1.1 is required.\n\n    \nDocumentation\n--------------\n\nYou can access the full project documentation `here \u003Chttp:\u002F\u002Fskope-rules.readthedocs.io\u002Fen\u002Flatest\u002F>`_\n\n\nYou can also check the notebooks\u002F folder which contains some examples of utilization.\n",".. -*- mode: rst -*-\n\n|Travis|_  |Coveralls|_ |CircleCI|_ |Python27|_ |Python35|_\n\n.. |Travis| image:: https:\u002F\u002Fapi.travis-ci.org\u002Fskope-rules\u002Fskope-rules.svg?branch=master\n.. _Travis: https:\u002F\u002Ftravis-ci.org\u002Fskope-rules\u002Fskope-rules\n\n.. |Coveralls| image:: https:\u002F\u002Fcoveralls.io\u002Frepos\u002Fgithub\u002Fskope-rules\u002Fskope-rules\u002Fbadge.svg?branch=master\n.. _Coveralls: https:\u002F\u002Fcoveralls.io\u002Fgithub\u002Fskope-rules\u002Fskope-rules?branch=master\n\n.. |CircleCI| image:: https:\u002F\u002Fcircleci.com\u002Fgh\u002Fskope-rules\u002Fskope-rules\u002Ftree\u002Fmaster.svg?style=shield&circle-token=:circle-token\n.. _CircleCI: https:\u002F\u002Fcircleci.com\u002Fgh\u002Fskope-rules\u002Fskope-rules\n\n.. |Python27| image:: https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpython-2.7-blue.svg\n.. _Python27: https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fskope-rules\n\n.. |Python35| image:: https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpython-3.5-blue.svg\n.. _Python35: https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fskope-rules\n\n.. image:: logo.png\n\nskope-rules\n===========\n\nSkope-rules 是一个基于 scikit-learn 构建的 Python 机器学习模块，采用 3 条款 BSD 许可证进行发布。\n\nSkope-rules 的目标是学习逻辑且可解释的规则，用于“划定”目标类别的范围，即以高精度检测该类别的实例。\n\nSkope-rules 在决策树的可解释性与随机森林的建模能力之间取得了平衡。\n\n有关贡献者列表，请参阅 `AUTHORS.rst \u003CAUTHORS.rst>`_ 文件。\n\n.. image:: schema.png\n\n\n安装\n----\n\n您可以使用 pip 获取最新源代码：\n\n    pip install skope-rules\n\n   \n快速入门\n--------\n\nSkopeRules 可用于通过逻辑规则描述类别：\n\n.. code:: python\n\n    from sklearn.datasets import load_iris\n    from skrules import SkopeRules\n    \n    dataset = load_iris()\n    feature_names = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width']\n    clf = SkopeRules(max_depth_duplication=2,\n                     n_estimators=30,\n                     precision_min=0.3,\n                     recall_min=0.1,\n                     feature_names=feature_names)\n    \n    for idx, species in enumerate(dataset.target_names):\n        X, y = dataset.data, dataset.target\n        clf.fit(X, y == idx)\n        rules = clf.rules_[0:3]\n        print(\"鸢尾花\", species 的规则)\n        for rule in rules:\n            print(rule)\n        print()\n        print(20*'=')\n        print()\n::\n\nSkopeRules 也可以作为预测器使用，只需调用 \"score_top_rules\" 方法：\n\n.. code:: python\n\n    from sklearn.datasets import load_boston\n    from sklearn.metrics import precision_recall_curve\n    from matplotlib import pyplot as plt\n    from skrules import SkopeRules\n    \n    dataset = load_boston()\n    clf = SkopeRules(max_depth_duplication=None,\n                     n_estimators=30,\n                     precision_min=0.2,\n                     recall_min=0.01,\n                     feature_names=dataset.feature_names)\n    \n    X, y = dataset.data, dataset.target > 25\n    X_train, y_train = X[:len(y)\u002F\u002F2], y[:len(y)\u002F\u002F2]\n    X_test, y_test = X[len(y)\u002F\u002F2:], y[len(y)\u002F\u002F2:]\n    clf.fit(X_train, y_train)\n    y_score = clf.score_top_rules(X_test) # 为每个测试样本获取风险评分\n    precision, recall, _ = precision_recall_curve(y_test, y_score)\n    plt.plot(recall, precision)\n    plt.xlabel('召回率')\n    plt.ylabel('精确率')\n    plt.title('精确率-召回率曲线')\n    plt.show()\n::\n\n\n更多示例和用法请查看我们的 `文档 \u003Chttp:\u002F\u002Fskope-rules.readthedocs.io\u002Fen\u002Flatest\u002F>`_。您还可以查看 `演示笔记本 \u003Cnotebooks\u002F>`_。\n\n与现有文献的联系\n-----------------\n\n决策规则的主要优势在于其提供的模型具有可解释性。在机器学习领域，生成此类规则的问题已被广泛研究，例如 RuleFit [1]、Slipper [2]、LRI [3] 和 MLRules [4] 等。\n\n决策规则是一种逻辑表达式，形式为“如果满足条件，则采取响应”。在二分类任务中，如果某个实例满足规则中的条件，则会被分配到其中一个类别；如果不满足条件，则保持未分配状态。\n\n1) 在 [2, 3, 4] 中，规则的归纳是通过将每条单独的决策规则视为集成模型中的基分类器来完成的，这些基分类器会通过贪婪地最小化某种损失函数来构建集成模型。\n\n2) 在 [1] 中，规则是从树集成中提取的；然后通过对权重进行 L1 正则化的优化问题求解，构建这些规则的加权组合，具体方法如 [5] 所述。\n\n本包采用了第二种方法。规则是从树集成中提取的，这使我们能够利用现有的高效算法（如装袋决策树或梯度提升）来生成这样的树集成。随后，根据规则支持集的相似性阈值，移除过于相似或重复的规则。\n\n本包的主要目标是提供满足精确率和召回率条件的规则。它仍然实现了 score (`decision_function`) 方法，但并未像 [1] 那样解决 L1 正则化的优化问题。相反，权重仅与规则的 OOB 相关精确率成比例。\n\n此外，本包还提供了方便的方法来使用最精确的 k 条规则进行预测（参见 score_top_rules() 和 predict_top_rules() 函数）。\n\n\n[1] Friedman 和 Popescu，《通过规则集成进行预测学习》，技术报告，2005 年。\n\n[2] Cohen 和 Singer，《简单、快速且有效的规则学习器》，全国人工智能会议，1999 年。\n\n[3] Weiss 和 Indurkhya，《轻量级规则归纳》，ICML，2000 年。\n\n[4] Dembczyński、Kotłowski 和 Słowiński，《最大似然规则集成》，ICML，2008 年。\n\n[5] Friedman 和 Popescu，《梯度导向正则化》，技术报告，2004 年。\n\n依赖项\n------\n\nskope-rules 需要以下依赖项：\n\n- Python (>= 2.7 或 >= 3.3)\n- NumPy (>= 1.10.4)\n- SciPy (>= 0.17.0)\n- Pandas (>= 0.18.1)\n- Scikit-Learn (>= 0.17.1)\n\n运行示例时，还需要 Matplotlib >= 1.1.1。\n\n    \n文档\n----\n\n您可以在此处访问完整的项目文档：`http:\u002F\u002Fskope-rules.readthedocs.io\u002Fen\u002Flatest\u002F`\n\n\n您还可以查看 notebooks\u002F 文件夹，其中包含一些使用示例。","# skope-rules 快速上手指南\n\n**skope-rules** 是一个基于 scikit-learn 构建的 Python 机器学习模块。它旨在通过学习逻辑化、可解释的规则来“界定”目标类别，即以高精确度检测特定类的实例。它在决策树的可解释性与随机森林的建模能力之间取得了平衡。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **Python 版本**：>= 2.7 或 >= 3.3\n*   **核心依赖库**：\n    *   NumPy (>= 1.10.4)\n    *   SciPy (>= 0.17.0)\n    *   Pandas (>= 0.18.1)\n    *   Scikit-Learn (>= 0.17.1)\n*   **可选依赖**（用于运行示例和绘图）：\n    *   Matplotlib (>= 1.1.1)\n\n## 安装步骤\n\n您可以直接使用 `pip` 安装最新版本的 skope-rules：\n\n```bash\npip install skope-rules\n```\n\n> **提示**：如果您在国内网络环境下遇到下载缓慢的问题，可以使用国内镜像源加速安装，例如使用清华源：\n> ```bash\n> pip install skope-rules -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 基本使用\n\nskope-rules 主要用于生成描述类别的逻辑规则。以下是一个基于 Iris 数据集的最简使用示例，展示如何提取分类规则：\n\n```python\nfrom sklearn.datasets import load_iris\nfrom skrules import SkopeRules\n\n# 加载数据\ndataset = load_iris()\nfeature_names = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width']\n\n# 初始化模型\n# max_depth_duplication: 控制规则重复深度的参数\n# n_estimators: 估计器数量\n# precision_min\u002Frecall_min: 最小精确率和召回率阈值\nclf = SkopeRules(max_depth_duplication=2,\n                 n_estimators=30,\n                 precision_min=0.3,\n                 recall_min=0.1,\n                 feature_names=feature_names)\n\n# 针对每个类别提取规则\nfor idx, species in enumerate(dataset.target_names):\n    X, y = dataset.data, dataset.target\n    # 训练模型：当前类别为正例，其他为负例\n    clf.fit(X, y == idx)\n    \n    # 获取前3条规则\n    rules = clf.rules_[0:3]\n    print(\"Rules for iris\", species)\n    for rule in rules:\n        print(rule)\n    print()\n    print(20*'=')\n    print()\n```\n\n此外，skope-rules 也可作为预测器使用。通过 `score_top_rules` 方法，您可以为测试样本获取风险评分，进而绘制精确率-召回率曲线（Precision-Recall Curve）以评估模型性能。","某金融科技公司风控团队正在构建信用卡欺诈检测系统，需要从海量交易中精准识别出极少数的欺诈行为，同时必须向监管机构和用户解释判定理由。\n\n### 没有 skope-rules 时\n- **模型如“黑盒”，解释成本极高**：使用随机森林或梯度提升树虽然准确率尚可，但无法直接给出清晰的判定逻辑。当被问及“为何拒绝这笔交易”时，分析师难以从复杂的树结构中提取人类可读的理由。\n- **高误报率导致用户体验受损**：为了捕捉罕见欺诈，模型往往牺牲精确率，导致大量正常交易被误拦截。业务部门不得不投入大量人力进行人工复核，运营成本高企。\n- **规则维护与迭代困难**：传统做法依赖专家手工编写 IF-THEN 规则，这不仅耗时耗力，且难以发现数据中隐含的非线性复杂特征组合，规则库日益臃肿且冲突频发。\n- **合规审计风险大**：在金融强监管环境下，缺乏透明度的决策逻辑难以通过合规审查，面临潜在的法律诉讼风险。\n\n### 使用 skope-rules 后\n- **生成可解释的逻辑规则**：skope-rules 能自动输出如“IF 交易地点异常 AND 金额大于阈值 THEN 疑似欺诈”的高精度逻辑规则。业务人员可直接理解并信任模型的判断依据。\n- **精准锁定高风险目标**：该工具专注于“高精度”检测（Scoping），能在保证极低误报率的前提下圈定最可疑的交易。大幅减少人工复核工作量，提升运营效率。\n- **自动化发现复杂特征组合**：基于集成学习机制，它能从数据中自动挖掘出专家难以察觉的特征交互关系，替代了繁琐的手工规则编写，且模型泛化能力优于单一决策树。\n- **满足合规透明度要求**：清晰的规则表达式天然符合“可解释人工智能”（XAI）标准，轻松应对监管审计，降低合规风险。\n\nskope-rules 的核心价值在于完美平衡了机器学习的高预测性能与业务场景所需的逻辑可解释性，让风控决策既精准又透明。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fscikit-learn-contrib_skope-rules_33a8c8e8.png","scikit-learn-contrib","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fscikit-learn-contrib_518cb1b9.png","scikit-learn compatible projects",null,"https:\u002F\u002Fcontrib.scikit-learn.org","https:\u002F\u002Fgithub.com\u002Fscikit-learn-contrib",[83,87,91,95],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",60.6,{"name":88,"color":89,"percentage":90},"Python","#3572A5",32.5,{"name":92,"color":93,"percentage":94},"Shell","#89e051",4.3,{"name":96,"color":97,"percentage":98},"Batchfile","#C1F12E",2.6,657,107,"2026-03-08T01:54:02","NOASSERTION",1,"未说明",{"notes":106,"python":107,"dependencies":108},"运行示例代码需要安装 Matplotlib (>= 1.1.1)。该工具基于 scikit-learn 构建，旨在生成可解释的逻辑规则以高精度检测目标类。",">= 2.7 或 >= 3.3",[109,110,111,112],"NumPy>=1.10.4","SciPy>=0.17.0","Pandas>=0.18.1","Scikit-Learn>=0.17.1",[13],"2026-03-27T02:49:30.150509","2026-04-06T05:36:27.186520",[117,122,127,132,137,142],{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},11321,"运行 clf.fit 时遇到 TerminatedWorkerError 错误怎么办？","这通常与内存管理或并行处理有关。可以尝试以下解决方案：\n1. 减少并行作业数（例如将 n_jobs 从 5 改为 4）。\n2. 禁用 Python 垃圾回收以节省内存开销，添加代码：\nimport gc\ngc.set_threshold(0)\n3. 如果是在 PyCharm 等 IDE 中运行，尝试增加 IDE 的堆内存设置（默认 750 MiB 可能不足）。","https:\u002F\u002Fgithub.com\u002Fscikit-learn-contrib\u002Fskope-rules\u002Fissues\u002F18",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},11322,"在 Python 3.10+ 环境中导入 skrules 时报错 \"ImportError: cannot import name 'Iterable' from 'collections'\" 如何解决？","这是因为在 Python 3.10 中，`Iterable` 已从 `collections` 模块移除并移至 `collections.abc`。你需要修改源码文件 `skrules\u002Fskope_rules.py`，将导入语句：\nfrom collections import Counter, Iterable\n修改为：\nfrom collections import Counter\nfrom collections.abc import Iterable\n或者根据具体上下文使用 typing 模块。","https:\u002F\u002Fgithub.com\u002Fscikit-learn-contrib\u002Fskope-rules\u002Fissues\u002F58",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},11323,"导入包时出现 \"cannot import name 'ScopeRules' from 'skrules'\" 错误？","这是拼写错误。正确的类名是 `SkopeRules`（注意是 'k' 而不是 'c'）。请使用以下代码导入：\nfrom skrules import SkopeRules","https:\u002F\u002Fgithub.com\u002Fscikit-learn-contrib\u002Fskope-rules\u002Fissues\u002F60",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},11324,"当特征名称包含特殊字符（如括号、等号等）时，SkopeRules 报错怎么办？","SkopeRules 内部使用 pandas.eval 来评估规则，如果特征名包含特殊字符会导致解析错误。该问题已在后续版本中通过 Pull Request #4 修复。建议升级到最新版本以支持任意类型的特征名称。","https:\u002F\u002Fgithub.com\u002Fscikit-learn-contrib\u002Fskope-rules\u002Fissues\u002F2",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},11325,"SkopeRules 是否存在掩码索引（mask indexing）计算错误的问题？","是的，曾发现一个问题：在对 numpy 数组使用 `~samples` 进行取反时，得到的是数值取反（-(value+1)）而非布尔掩码取反。这与 scikit-learn 的某些变更有关。请确保你使用的是已修复此问题的最新版本。","https:\u002F\u002Fgithub.com\u002Fscikit-learn-contrib\u002Fskope-rules\u002Fissues\u002F38",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},11326,"PyPI 上是否有包含最新修复的新版本发布？","是的，目前 PyPI 上已有版本 1.0.1，包含了之前的多项修复和改进。建议使用 pip install skope-rules==1.0.1 或更高版本进行安装。","https:\u002F\u002Fgithub.com\u002Fscikit-learn-contrib\u002Fskope-rules\u002Fissues\u002F30",[148],{"id":149,"version":150,"summary_zh":79,"released_at":151},61806,"v1.0.1","2020-12-11T09:37:02"]