二次判别分析#

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

二次判别分析。

一个具有二次决策边界的分类器，通过拟合类条件密度到数据并使用贝叶斯规则生成。

该模型为每个类拟合一个高斯密度。

在 0.17 版本中新增。

关于 QuadraticDiscriminantAnalysis 和 LinearDiscriminantAnalysis 之间的比较，请参见 带协方差椭球的线性判别分析和二次判别分析。

更多信息请参见用户指南。

参数:
priors形状为 (n_classes,) 的类数组，默认为 None

类的先验概率。默认情况下，类比例从训练数据中推断。

reg_param浮点型，默认为 0.0

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

store_covariance布尔型，默认为 False

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

在 0.17 版本中新增。

tol浮点型，默认为 1.0e-4

在对每个 Sk（其中 Sk 代表第 k 类的协方差矩阵）应用一些正则化（参见 reg_param）后，协方差矩阵被视为秩亏损的绝对阈值。此参数不影响预测。它控制当协方差矩阵不是满秩时何时发出警告。

在 0.17 版本中新增。

属性:
covariance_长度为 n_classes 的列表，元素为形状为 (n_features, n_features) 的 ndarray

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

means_形状为 (n_classes, n_features) 的类数组

各类的均值。

priors_形状为 (n_classes,) 的类数组

类的先验概率（总和为 1）。

rotations_长度为 n_classes 的列表，元素为形状为 (n_features, n_k) 的 ndarray

对于每个类 k，一个形状为 (n_features, n_k) 的数组，其中 n_k = min(n_features, 类 k 中的元素数量)。它是高斯分布的旋转，即其主轴。它对应于 V，是 Xk = U S Vt 的 SVD 中得到的特征向量矩阵，其中 Xk 是来自类 k 的样本的中心化矩阵。

scalings_长度为 n_classes 的列表，元素为形状为 (n_k,) 的 ndarray

对于每个类，包含高斯分布沿其主轴的缩放，即旋转坐标系中的方差。它对应于 S^2 / (n_samples - 1)，其中 S 是 Xk 的 SVD 中得到的奇异值的对角矩阵，其中 Xk 是来自类 k 的样本的中心化矩阵。

classes_形状为 (n_classes,) 的 ndarray

唯一的类标签。

n_features_in_整型

在 拟合 (fit) 期间看到的特征数量。

在 0.24 版本中新增。

feature_names_in_形状为 (n_features_in_,) 的 ndarray

在 拟合 (fit) 期间看到的特征名称。仅当 X 的所有特征名称均为字符串时定义。

在 1.0 版本中新增。

另请参见

LinearDiscriminantAnalysis

Linear Discriminant Analysis.

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（在常数因子范围内）等于模型的对数后验概率，即 log p(y = k | x)。在二元分类设置中，这对应于差异 log p(y = 1 | x) - log p(y = 0 | x)。请参见 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（测试向量）数组。

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

每个样本与每个类相关的决策函数值。在二分类情况下，形状为 (n_samples,)，给出正类的对数似然比。

fit(X, y)[source]#

根据给定的训练数据和参数拟合模型。

在 0.19 版本中更改: store_covariances 已作为 store_covariance 移至主构造函数。

在 0.19 版本中更改: 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 是样本数量，n_features 是特征数量。

y形状为 (n_samples,) 的类数组

目标值（整数）。

返回:
self对象

拟合后的估计器。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查看用户指南以了解路由机制的工作原理。

返回:
routingMetadataRequest

一个封装路由信息的 MetadataRequest。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:
deep布尔型，默认为 True

如果为 True，将返回此估计器及其包含的子对象（估计器）的参数。

返回:
params字典

参数名称映射到其值。

predict(X)[source]#

对测试向量数组 X 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

待评分向量，其中 n_samples 是样本数量，n_features 是特征数量。

返回:
C形状为 (n_samples,) 的 ndarray

估计的概率。

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

每个类的分类后验概率。

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

返回在提供的数据和标签上的准确率。

在多标签分类中，这是子集准确率，这是一个严格的度量标准，因为它要求每个样本的每个标签集都必须正确预测。

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浮点型

self.predict(X) 相对于 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:
self估计器实例

估计器实例。

set_score_request(*, sample_weight: 布尔型 | None | 字符串 = '$UNCHANGED$') → QuadraticDiscriminantAnalysis[source]#

请求传递给 score 方法的元数据。

请注意，此方法仅在 enable_metadata_routing=True 时才相关（参见 sklearn.set_config）。请查看用户指南以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: 元数据应以这个给定别名而非原始名称传递给元估计器。

默认值 (sklearn.utils.metadata_routing.UNCHANGED) 保留现有请求。这允许您更改某些参数的请求而不更改其他参数。

在 1.3 版本中新增。

注意

此方法仅在将此估计器用作元估计器的子估计器时才相关，例如在 Pipeline 内部使用时。否则它没有效果。

参数:
sample_weight字符串、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:
self对象

更新后的对象。