二次判别分析#

class sklearn.discriminant_analysis.QuadraticDiscriminantAnalysis(*, priors=None, reg_param=0.0, store_covariance=False, tol=0.0001)[source]#

二次判别分析。

一种具有二次决策边界的分类器，通过将类条件密度拟合到数据并使用贝叶斯规则生成。

该模型为每个类别拟合一个高斯密度。

在 0.17 版本中添加。

有关QuadraticDiscriminantAnalysis和LinearDiscriminantAnalysis的比较，请参见具有协方差椭球的线性判别分析和二次判别分析。

在用户指南中了解更多信息。

参数：
priorsarray-like of shape (n_classes,), default=None

类别先验概率。默认情况下，类别比例是从训练数据中推断出来的。

reg_paramfloat, default=0.0

通过将 S2 转换为 S2 = (1 - reg_param) * S2 + reg_param * np.eye(n_features) 来正则化每个类别的协方差估计，其中 S2 对应于给定类的 scaling_ 属性。

store_covariancebool, default=False

如果为 True，则会显式计算类别协方差矩阵并将其存储在 self.covariance_ 属性中。

在 0.17 版本中添加。

tolfloat, default=1.0e-4

应用某些正则化（参见 reg_param）到每个 Sk 后，协方差矩阵被认为秩亏缺的绝对阈值，其中 Sk 表示第 k 个类别的协方差矩阵。此参数不影响预测。它控制在协方差矩阵不满秩时何时发出警告。

在 0.17 版本中添加。

属性：
covariance_list of len n_classes of ndarray of shape (n_features, n_features)

对于每个类别，给出使用该类别的样本估计的协方差矩阵。估计是无偏的。仅当 store_covariance 为 True 时才存在。

means_array-like of shape (n_classes, n_features)

逐类的均值。

priors_array-like of shape (n_classes,)

类别先验概率（总和为 1）。

rotations_list of len n_classes of ndarray of shape (n_features, n_k)

对于每个类别 k，一个形状为 (n_features, n_k) 的数组，其中 n_k = min(n_features, number of elements in class k)。它是高斯分布的旋转，即其主轴。它对应于 V，即来自 Xk = U S Vt 的 SVD 的特征向量矩阵，其中 Xk 是来自类别 k 的样本的中心矩阵。

scalings_list of len n_classes of ndarray of shape (n_k,)

对于每个类别，包含沿其主轴的高斯分布的缩放比例，即旋转坐标系中的方差。它对应于 S^2 / (n_samples - 1)，其中 S 是来自 Xk 的 SVD 的奇异值对角矩阵，其中 Xk 是来自类别 k 的样本的中心矩阵。

classes_ndarray of shape (n_classes,)

唯一的类标签。

n_features_in_int

在fit期间看到的特征数量。

在 0.24 版本中添加。

feature_names_in_ndarray of shape (n_features_in_,)

在fit期间看到的特征名称。仅当 X 的特征名称全部为字符串时才定义。

在 1.0 版本中添加。

另请参见

LinearDiscriminantAnalysis

线性判别分析。

示例

>>> from sklearn.discriminant_analysis import QuadraticDiscriminantAnalysis
>>> import numpy as np
>>> X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])
>>> y = np.array([1, 1, 1, 2, 2, 2])
>>> clf = QuadraticDiscriminantAnalysis()
>>> clf.fit(X, y)
QuadraticDiscriminantAnalysis()
>>> print(clf.predict([[-0.8, -1]]))
[1]
decision_function(X)[source]#

将决策函数应用于样本数组。

决策函数等于（最多相差一个常数因子）模型的对数后验概率，即 log p(y = k | x)。在二元分类设置中，这对应于差值 log p(y = 1 | x) - log p(y = 0 | x)。参见 LDA 和 QDA 分类器的数学公式。

参数：
X形状为 (n_samples, n_features) 的类数组

样本数组（测试向量）。

返回:
C形状为 (n_samples,) 或 (n_samples, n_classes) 的 ndarray

与每个样本的每个类别相关的决策函数值。在两类情况下，形状为 (n_samples,)，给出正类别的对数似然比。

fit(X, y)[source]#

根据给定的训练数据和参数拟合模型。

0.19 版本中的变更: store_covariances 已移至主构造函数中，名为 store_covariance。

0.19 版本中的变更: tol 已移至主构造函数。

参数：
X形状为 (n_samples, n_features) 的类数组

训练向量，其中 n_samples 是样本数，n_features 是特征数。

y形状为 (n_samples,) 的类数组

目标值（整数）。

返回:
self对象

已拟合的估计器。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查看 用户指南，了解路由机制的工作原理。

返回:
routingMetadataRequest

一个 MetadataRequest 封装路由信息。

get_params(deep=True)[source]#

获取此估计器的参数。

参数：
deep布尔值，默认为 True

如果为 True，则将返回此估计器和包含的作为估计器的子对象的的参数。

返回:
params字典

参数名称与其值的映射。

predict(X)[source]#

对测试向量 X 数组执行分类。

返回 X 中每个样本的预测类别 C。

参数：
X形状为 (n_samples, n_features) 的类数组

要评分的向量，其中 n_samples 是样本数，n_features 是特征数。

返回:
C形状为 (n_samples,) 的 ndarray

估计概率。

predict_log_proba(X)[source]#

返回分类的后验概率的对数。

参数：
X形状为 (n_samples, n_features) 的类数组

样本/测试向量数组。

返回:
C形状为 (n_samples, n_classes) 的 ndarray

每个类别的分类后验对数概率。

predict_proba(X)[source]#

返回分类的后验概率。

参数：
X形状为 (n_samples, n_features) 的类数组

样本/测试向量数组。

返回:
C形状为 (n_samples, n_classes) 的 ndarray

每个类别的分类后验概率。

score(X, y, sample_weight=None)[source]#

返回给定测试数据和标签的平均准确率。

在多标签分类中，这是子集准确率，这是一个严格的指标，因为您要求每个样本的每个标签集都被正确预测。

参数：
X形状为 (n_samples, n_features) 的类数组

测试样本。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组

X 的真实标签。

sample_weight形状为 (n_samples,) 的类数组，默认为 None

样本权重。

返回:
score浮点数

self.predict(X) 关于 y 的平均准确率。

set_params(**params)[source]#

设置此估计器的参数。

此方法适用于简单的估计器以及嵌套对象（例如 Pipeline）。后者具有 <component>__<parameter> 形式的参数，以便可以更新嵌套对象的每个组件。

参数：
**params字典

估计器参数。

返回:
self估计器实例

估计器实例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → QuadraticDiscriminantAnalysis[source]#

请求传递给score方法的元数据。

请注意，只有当enable_metadata_routing=True时（参见sklearn.set_config），此方法才相关。请参阅用户指南了解路由机制的工作原理。

每个参数的选项为

  • True：请求元数据，如果提供则将其传递给score。如果未提供元数据，则忽略请求。

  • False：不请求元数据，元估计器不会将其传递给score。

  • None：不请求元数据，如果用户提供元数据，元估计器将引发错误。

  • str：元数据应使用此给定的别名而不是原始名称传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有的请求。这允许您更改某些参数的请求，而无需更改其他参数。

版本 1.3 中新增。

注意

只有在此估计器用作元估计器的子估计器时（例如，在Pipeline中使用），此方法才相关。否则，它无效。

参数：
sample_weightstr、True、False 或 None，默认值为 sklearn.utils.metadata_routing.UNCHANGED

score中sample_weight参数的元数据路由。

返回:
self对象

更新后的对象。