正交匹配追踪交叉验证 (OrthogonalMatchingPursuitCV)#

class sklearn.linear_model.OrthogonalMatchingPursuitCV(*, copy=True, fit_intercept=True, max_iter=None, cv=None, n_jobs=None, verbose=False)[source]#

交叉验证正交匹配追踪模型 (OMP)。

参见交叉验证估计器词汇表条目。

在用户指南中了解更多信息。

参数：

copy布尔值，默认为 True

算法是否必须复制设计矩阵 X。如果 X 已经是 Fortran 顺序的，则 False 值才有帮助，否则无论如何都会复制。

fit_intercept布尔值，默认为 True

是否计算此模型的截距。如果设置为 False，则计算中不会使用截距（即，预期数据已居中）。

max_iter整数，默认为 None

要执行的最大迭代次数，因此要包含的最大特征数。n_features 的 10%，但如果可用，至少为 5。

cv整数、交叉验证生成器或可迭代对象，默认为 None

确定交叉验证拆分策略。cv 的可能输入为：

None，使用默认的 5 折交叉验证；
整数，指定折叠数；
CV 分割器,
一个可迭代对象，产生 (train, test) 分割作为索引数组。

对于整数/None 输入，使用KFold。

请参阅用户指南，了解此处可以使用各种交叉验证策略。

0.22 版中的更改：如果 None，则cv 的默认值从 3 折更改为 5 折。

n_jobs整数，默认为 None

在交叉验证期间使用的 CPU 数量。None 表示 1（除非在joblib.parallel_backend 上下文中）。-1 表示使用所有处理器。有关更多详细信息，请参见词汇表。

verbose布尔值或整数，默认为 False

设置详细程度。

属性：

intercept_浮点数或形状为 (n_targets,) 的 ndarray: 决策函数中的独立项。
coef_形状为 (n_features,) 或 (n_targets, n_features) 的 ndarray: 参数向量（问题公式中的 w）。
n_nonzero_coefs_整数: 估计的非零系数数量，在交叉验证折叠中提供最佳均方误差。
n_iter_整数或类似数组的对象: 使用通过对所有折叠进行交叉验证获得的最佳超参数重新拟合的模型中，每个目标的活动特征数量。
n_features_in_整数: 在拟合期间看到的特征数量。

0.24 版中添加。
feature_names_in_形状为 (n_features_in_,) 的 ndarray: 在拟合期间看到的特征名称。仅当X具有全是字符串的特征名称时定义。

1.0 版中添加。

另请参阅

orthogonal_mp: 求解 n_targets 正交匹配追踪问题。
orthogonal_mp_gram: 仅使用 Gram 矩阵 X.T * X 和乘积 X.T * y 来求解 n_targets 正交匹配追踪问题。
lars_path: 使用 LARS 算法计算最小角回归或 Lasso 路径。
Lars: 最小角回归模型，又名 LAR。
LassoLars: 使用最小角回归拟合的 Lasso 模型，又名 Lars。
OrthogonalMatchingPursuit: 正交匹配追踪模型 (OMP)。
LarsCV: 交叉验证的最小角回归模型。
LassoLarsCV: 使用最小角回归拟合的交叉验证 Lasso 模型。
sklearn.decomposition.sparse_encode: 通用稀疏编码。结果的每一列都是 Lasso 问题的解。

备注

在fit中，一旦通过交叉验证找到最佳的非零系数数量，模型就会使用整个训练集再次拟合。

示例

>>> from sklearn.linear_model import OrthogonalMatchingPursuitCV
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(n_features=100, n_informative=10,
...                        noise=4, random_state=0)
>>> reg = OrthogonalMatchingPursuitCV(cv=5).fit(X, y)
>>> reg.score(X, y)
0.9991...
>>> reg.n_nonzero_coefs_
np.int64(10)
>>> reg.predict(X[:1,])
array([-78.3854...])

fit(X, y, **fit_params)[source]#

使用 X、y 作为训练数据拟合模型。

参数：

X形状为 (n_samples, n_features) 的类似数组的对象: 训练数据。
y形状为 (n_samples,) 的类似数组的对象: 目标值。如有必要，将转换为 X 的 dtype。
**fit_params字典: 传递给底层分割器的参数。

1.4 版中添加：仅当enable_metadata_routing=True时可用，这可以通过使用sklearn.set_config(enable_metadata_routing=True)来设置。有关更多详细信息，请参见元数据路由用户指南。

返回值：

self对象: 返回 self 的实例。

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。

1.4 版中添加。

返回值：

routingMetadataRouter: 一个MetadataRouter，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子对象（它们也是估计器）的参数。

返回值：

params字典: 参数名称与其值的映射。

predict(X)[source]#

使用线性模型进行预测。

参数：

X类数组或稀疏矩阵，形状 (n_samples, n_features): 样本。

返回值：

C数组，形状 (n_samples,): 返回预测值。

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

返回预测的决定系数。

决定系数 $R^2$ 定义为 $(1 - \frac{u}{v})$，其中 $u$ 是残差平方和 ((y_true - y_pred)** 2).sum()，而 $v$ 是总平方和 ((y_true - y_true.mean()) ** 2).sum()。最佳分数为 1.0，也可能为负值（因为模型可能任意差）。一个始终预测 y 期望值的常数模型（忽略输入特征）将获得 0.0 的 $R^2$ 分数。

参数：

X形状为 (n_samples, n_features) 的类似数组的对象: 测试样本。对于某些估计器，这可能是一个预计算的核矩阵，或者形状为 (n_samples, n_samples_fitted) 的泛型对象列表，其中 n_samples_fitted 是估计器拟合中使用的样本数。
y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组: X 的真实值。
sample_weight形状为 (n_samples,) 的类数组，默认为 None: 样本权重。

返回值：

score浮点数: self.predict(X) 关于 y 的 $R^2$。

备注

从 0.23 版本开始，在回归器上调用 score 时使用的 $R^2$ 分数使用 multioutput='uniform_average'，以保持与 r2_score 的默认值一致。这会影响所有多输出回归器的 score 方法（MultiOutputRegressor 除外）。

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，因此可以更新嵌套对象的每个组件。

参数：

**params字典: 估计器参数。

返回值：

self估计器实例: 估计器实例。

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

请求传递给 score 方法的元数据。

请注意，只有在 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，而其他参数保持不变。

版本 1.3 中添加。

注意

此方法仅当此估计器用作元估计器的子估计器时才相关，例如，在Pipeline中使用。否则它无效。

参数：

sample_weightstr、True、False 或 None，默认为 sklearn.utils.metadata_routing.UNCHANGED: score 中 sample_weight 参数的元数据路由。

返回值：

self对象: 更新后的对象。

示例库#

正交匹配追踪