固定阈值分类器#

class sklearn.model_selection.FixedThresholdClassifier(estimator, *, threshold='auto', pos_label=None, response_method='auto')[source]#

手动设置决策阈值的二元分类器。

此分类器允许更改用于将后验概率估计（即 predict_proba 的输出）或决策分数（即 decision_function 的输出）转换为类别标签的默认决策阈值。

此处，阈值未进行优化，并设置为常数值。

在用户指南中了解更多信息。

1.5版本新增。

参数：
estimator估计器实例

我们要为其优化在 predict 期间使用的决策阈值的二元分类器（已拟合或未拟合）。

threshold{"auto"} 或浮点数，默认为 "auto"

将后验概率估计（即 predict_proba 的输出）或决策分数（即 decision_function 的输出）转换为类别标签时使用的决策阈值。当为 "auto" 时，如果 predict_proba 用作 response_method，则阈值设置为 0.5；否则，设置为 0（即 decision_function 的默认阈值）。

pos_labelint、float、bool 或 str，默认值=None

正类别的标签。用于处理 response_method 方法的输出。当 pos_label=None 时，如果 y_true 在 {-1, 1} 或 {0, 1} 中，则 pos_label 设置为 1，否则会引发错误。

response_method{"auto"，"decision_function"，"predict_proba"}，默认值="auto"

分类器 estimator 的方法，对应于我们想要为其查找阈值的决策函数。它可以是：

  • 如果为 "auto"，它将尝试依次调用 "predict_proba" 或 "decision_function"。

  • 否则，为 "predict_proba" 或 "decision_function" 之一。如果分类器未实现该方法，则会引发错误。

属性：
estimator_估计器实例

预测时使用的已拟合分类器。

classes_形状为 (n_classes,) 的 ndarray

类别标签。

n_features_in_int

在 拟合期间看到的特征数量。只有在底层估计器在拟合时公开此类属性时才定义。

feature_names_in_形状为 (n_features_in_,) 的 ndarray

在 拟合期间看到的特征名称。只有在底层估计器在拟合时公开此类属性时才定义。

另请参见

sklearn.model_selection.TunedThresholdClassifierCV

基于某些指标并使用交叉验证来后期调整决策阈值的分类器。

sklearn.calibration.CalibratedClassifierCV

校准概率的估计器。

示例

>>> from sklearn.datasets import make_classification
>>> from sklearn.linear_model import LogisticRegression
>>> from sklearn.metrics import confusion_matrix
>>> from sklearn.model_selection import FixedThresholdClassifier, train_test_split
>>> X, y = make_classification(
...     n_samples=1_000, weights=[0.9, 0.1], class_sep=0.8, random_state=42
... )
>>> X_train, X_test, y_train, y_test = train_test_split(
...     X, y, stratify=y, random_state=42
... )
>>> classifier = LogisticRegression(random_state=0).fit(X_train, y_train)
>>> print(confusion_matrix(y_test, classifier.predict(X_test)))
[[217   7]
 [ 19   7]]
>>> classifier_other_threshold = FixedThresholdClassifier(
...     classifier, threshold=0.1, response_method="predict_proba"
... ).fit(X_train, y_train)
>>> print(confusion_matrix(y_test, classifier_other_threshold.predict(X_test)))
[[184  40]
 [  6  20]]
property classes_#

类别标签。

decision_function(X)[source]#

使用已拟合估计器对 X 中样本的决策函数。

参数：
X形状为 (n_samples, n_features) 的 {数组型、稀疏矩阵}

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

返回：
decisions形状为 (n_samples,) 的 ndarray

使用已拟合估计器计算的决策函数。

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

拟合分类器。

参数：
X形状为 (n_samples, n_features) 的 {数组型、稀疏矩阵}

训练数据。

y形状为 (n_samples,) 的数组型

目标值。

**paramsdict

要传递给底层分类器的 fit 方法的参数。

返回：
selfobject

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。

返回：
routingMetadataRouter

封装路由信息的 MetadataRouter。

get_params(deep=True)[source]#

获取此估计器的参数。

参数：
deepbool，默认值=True

如果为 True，将返回此估计器和包含的子对象的参数（这些子对象是估计器）。

返回：
paramsdict

参数名称与其值的映射。

predict(X)[source]#

预测新样本的目标。

参数：
X形状为 (n_samples, n_features) 的 {数组型、稀疏矩阵}

样本，被 estimator.predict 接受。

返回：
class_labels形状为 (n_samples,) 的 ndarray

预测的类别。

predict_log_proba(X)[source]#

使用已拟合估计器预测 X 的对数类别概率。

参数：
X形状为 (n_samples, n_features) 的 {数组型、稀疏矩阵}

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

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

输入样本的对数类别概率。

predict_proba(X)[source]#

使用已拟合的估计器预测X的类概率。

参数：
X形状为 (n_samples, n_features) 的 {数组型、稀疏矩阵}

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

返回：
probabilitiesndarray of shape (n_samples, n_classes)

输入样本的类概率。

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必须被正确预测。

参数：
Xarray-like of shape (n_samples, n_features)

测试样本。

yarray-like of shape (n_samples,) or (n_samples, n_outputs)

X 的真实标签。

sample_weightarray-like of shape (n_samples,), default=None

样本权重。

返回：
scorefloat

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，因此可以更新嵌套对象的每个组件。

参数：
**paramsdict

估计器参数。

返回：
selfestimator instance

估计器实例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → FixedThresholdClassifier[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，而无需更改其他参数。

版本 1.3 中添加。

注意

仅当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, or None, default=sklearn.utils.metadata_routing.UNCHANGED

score中sample_weight参数的元数据路由。

返回：
selfobject

更新后的对象。