多输出分类器#

class sklearn.multioutput.MultiOutputClassifier(estimator, *, n_jobs=None)[source]#

多目标分类。

此策略包括为每个目标拟合一个分类器。这是一种简单的策略，用于扩展本身并不原生支持多目标分类的分类器。

参数：

estimator估计器对象

一个实现了 fit 和 predict 方法的估计器对象。只有当 estimator 实现了 predict_proba 方法时，才会公开此方法。

n_jobsint 或 None，可选 (默认值=None)

并行运行的作业数。 fit、predict 和 partial_fit（如果传递的估计器支持）将针对每个目标并行化。

当单个估计器训练或预测速度很快时，使用 n_jobs > 1 可能会由于并行化开销导致性能下降。

None 表示 1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有可用的进程/线程。有关更多详细信息，请参阅词汇表。

0.20 版本中的更改： n_jobs 的默认值已从 1 更改为 None。

属性：

classes_形状为 (n_classes,) 的 ndarray: 类别标签。
estimators_n_output 个估计器的列表: 用于预测的估计器。
n_features_in_int: 在 fit 期间看到的特征数量。仅当底层 estimator 在拟合时公开了此类属性时才定义。

0.24 版本中添加。
feature_names_in_形状为 (n_features_in_,) 的 ndarray: 在 fit 期间看到的特征名称。仅当底层估计器在拟合时公开了此类属性时才定义。

1.0 版本中添加。

另请参阅

分类器链: 一个多标签模型，它将二元分类器排列成一个链。
多输出回归器: 为每个目标变量拟合一个回归器。

示例

>>> import numpy as np
>>> from sklearn.datasets import make_multilabel_classification
>>> from sklearn.multioutput import MultiOutputClassifier
>>> from sklearn.linear_model import LogisticRegression
>>> X, y = make_multilabel_classification(n_classes=3, random_state=0)
>>> clf = MultiOutputClassifier(LogisticRegression()).fit(X, y)
>>> clf.predict(X[-2:])
array([[1, 1, 1],
       [1, 0, 1]])

fit(X, Y, sample_weight=None, **fit_params)[source]#

将模型拟合到数据矩阵 X 和目标 Y。

参数：

X形状为 (n_samples, n_features) 的 {数组、稀疏矩阵}: 输入数据。
Y形状为 (n_samples, n_classes) 的类数组: 目标值。
sample_weight形状为 (n_samples,) 的类数组，默认值=None: 样本权重。如果 None，则样本权重相等。仅当底层分类器支持样本权重时才支持。
**fit_params字典，键为字符串，值为对象: 传递给每个步骤的 estimator.fit 方法的参数。

0.23 版本中添加。

返回值：

self对象: 返回一个已拟合的实例。

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。

1.3 版本中添加。

返回值：

routingMetadataRouter: 一个 MetadataRouter，封装了路由信息。

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，则将返回此估计器和包含的作为估计器的子对象的参数。

返回值：

params字典: 参数名称与其值的映射。

partial_fit(X, y, classes=None, sample_weight=None, **partial_fit_params)[source]#

为每个类别输出增量拟合一个单独的模型。

参数：

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

输入数据。

y形状为 (n_samples, n_outputs) 的 {数组、稀疏矩阵}

多输出目标。

classes形状为 (n_outputs,) 的ndarray 列表，默认值=None

每个数组都是一个输出中唯一的类别，用字符串/整数表示。可以通过 [np.unique(y[:, i]) for i in range(y.shape[1])] 获取，其中 y 是整个数据集的目标矩阵。此参数对于第一次调用 partial_fit 是必需的，在后续调用中可以省略。请注意，y 不需要包含 classes 中的所有标签。

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

样本权重。如果为 None，则样本权重相等。仅当底层回归器支持样本权重时才支持。

**partial_fit_params**str -> object 的字典

传递给每个子估计器的 estimator.partial_fit 方法的参数。

仅当 enable_metadata_routing=True 时可用。请参见用户指南。

1.3 版本中添加。

返回值：

self对象: 返回一个已拟合的实例。

predict(X)[source]#

使用每个目标变量的模型预测多输出变量。

参数：

X形状为 (n_samples, n_features) 的 {数组、稀疏矩阵}: 输入数据。

返回值：

y形状为 (n_samples, n_outputs) 的 {数组、稀疏矩阵}: 跨多个预测器预测多输出目标。注意：每个预测器都会生成单独的模型。

predict_proba(X)[source]#

返回每个输出的每个类别的预测概率。

如果任何估计器没有 predict_proba，则此方法将引发 ValueError。

参数：

X形状为 (n_samples, n_features) 的类数组: 输入数据。

返回值：

p形状为 (n_samples, n_classes) 的数组，如果 n_outputs > 1，则为 n_outputs 个此类数组的列表。: 输入样本的类概率。类的顺序与属性 classes_ 中的顺序相对应。

0.19 版本中的更改：此函数现在返回一个数组列表，列表的长度为 n_outputs，并且每个数组对于特定输出都为 (n_samples, n_classes)。

score(X, y)[source]#

返回给定测试数据和标签上的平均准确率。

参数：

X形状为 (n_samples, n_features) 的类数组: 测试样本。
y形状为 (n_samples, n_outputs) 的类数组: X 的真实值。

返回值：

scores浮点数: 预测目标与真实目标的平均准确率。

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

请求传递给 fit 方法的元数据。

请注意，只有当 enable_metadata_routing=True 时，此方法才相关（参见 sklearn.set_config）。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 fit。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 fit。
None：不请求元数据，如果用户提供元数据，则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，而不对其他参数进行更改。

1.3 版本中添加。

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 或 None，默认为 sklearn.utils.metadata_routing.UNCHANGED: fit 中 sample_weight 参数的元数据路由。

返回值：

self对象: 更新后的对象。

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_partial_fit_request(*, classes: bool | None | str = '$UNCHANGED$', sample_weight: bool | None | str = '$UNCHANGED$') → MultiOutputClassifier[source]#

请求传递给 partial_fit 方法的元数据。

请注意，只有当 enable_metadata_routing=True 时，此方法才相关（参见 sklearn.set_config）。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 partial_fit。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 partial_fit。
None：不请求元数据，如果用户提供元数据，则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，而不对其他参数进行更改。

1.3 版本中添加。

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：

classes字符串、True、False 或 None，默认为 sklearn.utils.metadata_routing.UNCHANGED: partial_fit 方法中 classes 参数的元数据路由。
sample_weightstr、True、False 或 None，默认为 sklearn.utils.metadata_routing.UNCHANGED: partial_fit 方法中 sample_weight 参数的元数据路由。

返回值：

self对象: 更新后的对象。