正交匹配追踪

类 sklearn.linear_model.OrthogonalMatchingPursuit(*, n_nonzero_coefs=None, tol=None, fit_intercept=True, precompute='auto')

正交匹配追踪模型 (OMP)。

在用户指南中阅读更多信息。

参数:

n_nonzero_coefs整型, 默认值=None

解中非零项的期望数量。如果设置了tol，则忽略此参数。当None且tol也为None时，此值设置为n_features的10%或1（取两者中较大者）。

tol浮点型, 默认值=None

残差的最大平方范数。如果不是 None，则会覆盖 n_nonzero_coefs。

fit_intercept布尔型, 默认值=True

是否为模型计算截距。如果设置为 false，计算中将不使用截距（即数据应已中心化）。

precompute‘auto’ 或 布尔型, 默认值=’auto’

是否使用预计算的 Gram 矩阵和 Xy 矩阵来加速计算。当目标数量或样本数量非常大时，可提高性能。请注意，如果您已经拥有这些矩阵，可以直接将其传递给 fit 方法。

属性:

coef_形状为 (n_features,) 或 (n_targets, n_features) 的 ndarray

参数向量（公式中的 w）。

intercept_浮点型 或 形状为 (n_targets,) 的 ndarray

决策函数中的独立项。

n_iter_整型 或 类似数组

每个目标上的活动特征数量。

n_nonzero_coefs_整型 或 None

解中非零系数的数量，当设置了tol时为None。如果n_nonzero_coefs为None且tol也为None，则此值设置为n_features的10%或1（取两者中较大者）。

n_features_in_整型

在拟合过程中看到的特征数量。

0.24 版本新增。

feature_names_in_形状为 (n_features_in_,) 的 ndarray

在拟合过程中看到的特征名称。仅当X的特征名称全部为字符串时定义。

1.0 版本新增。

另请参阅

orthogonal_mp

解决 n_targets 个正交匹配追踪问题。

orthogonal_mp_gram

仅使用 Gram 矩阵 X.T * X 和乘积 X.T * y 解决 n_targets 个正交匹配追踪问题。

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，又称 LAR。

LassoLars

使用最小角回归（又称 Lars）拟合的 Lasso 模型。

sklearn.decomposition.sparse_encode

通用稀疏编码。结果的每一列都是一个 Lasso 问题的解。

OrthogonalMatchingPursuitCV

交叉验证正交匹配追踪模型 (OMP)。

备注

正交匹配追踪由 G. Mallat 和 Z. Zhang 在 IEEE Transactions on Signal Processing, Vol. 41, No. 12. (December 1993), pp. 3397-3415 发表的论文“Matching pursuits with time-frequency dictionaries”中提出。（https://www.di.ens.fr/~mallat/papiers/MallatPursuit93.pdf）

此实现基于 Rubinstein, R., Zibulevsky, M. 和 Elad, M. 于 2008 年 4 月发表的 CS Technion 技术报告“Efficient Implementation of the K-SVD Algorithm using Batch Orthogonal Matching Pursuit”。https://www.cs.technion.ac.il/~ronrubin/Publications/KSVD-OMP-v2.pdf

示例

>>> from sklearn.linear_model import OrthogonalMatchingPursuit
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(noise=4, random_state=0)
>>> reg = OrthogonalMatchingPursuit().fit(X, y)
>>> reg.score(X, y)
0.9991
>>> reg.predict(X[:1,])
array([-78.3854])

fit(X, y)

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

训练数据。

y形状为 (n_samples,) 或 (n_samples, n_targets) 的类似数组

目标值。如有必要，将转换为 X 的 dtype。

返回:

self对象

返回 self 的实例。

get_metadata_routing()

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)

获取此估计器的参数。

参数:

deep布尔型, 默认值=True

如果为 True，将返回此估计器及其包含的作为估计器的子对象的参数。

返回:

params字典

参数名称及其对应的值。

predict(X)

使用线性模型进行预测。

参数:

X形状为 (n_samples, n_features) 的类似数组或稀疏矩阵

样本。

返回:

C数组, 形状 (n_samples,)

返回预测值。

score(X, y, sample_weight=None)

返回测试数据上的决定系数。

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()，\(v\)是总平方和((y_true - y_true.mean()) ** 2).sum()。最佳可能分数为 1.0，它也可以是负数（因为模型可能任意地差）。一个总是预测y的期望值而忽略输入特征的常数模型将得到 0.0 的\(R^2\)分数。

参数:

X形状为 (n_samples, n_features) 的类似数组

测试样本。对于某些估计器，这可能是一个预计算的核矩阵，或者是一个通用对象列表，形状为(n_samples, n_samples_fitted)，其中n_samples_fitted是用于估计器拟合的样本数量。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类似数组

X的真实值。

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

样本权重。

返回:

score浮点型

\(R^2\)，表示 self.predict(X) 相对于 y 的得分。

备注

在回归器上调用score时使用的\(R^2\)得分从 0.23 版本开始使用multioutput='uniform_average'，以与r2_score的默认值保持一致。这会影响所有多输出回归器（MultiOutputRegressor除外）的score方法。

set_params(**params)

设置此估计器的参数。

该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: bool | None | str = '$UNCHANGED$') → OrthogonalMatchingPursuit

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，则忽略该请求。

• False：不请求元数据，元估计器也不会将其传递给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) 保留现有请求。这允许您更改某些参数的请求而无需更改其他参数。

1.3 版本新增。

注意

此方法仅在将此估计器用作元估计器的子估计器时相关，例如在Pipeline内部使用时。否则无效。

参数:

sample_weight字符串, True, False 或 None, 默认值=sklearn.utils.metadata_routing.UNCHANGED

score方法中sample_weight参数的元数据路由。

返回:

self对象

更新后的对象。

图库示例

正交匹配追踪

正交匹配追踪