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)。

请参阅交叉验证估计器的术语表条目。

在用户指南中阅读更多内容。

参数:
copy布尔型, 默认为 True

设计矩阵 X 是否必须由算法复制。只有当 X 已经是 Fortran 顺序时，False 值才有帮助，否则仍会进行复制。

fit_intercept布尔型, 默认为 True

是否为该模型计算截距。如果设置为 False，则计算中不使用截距（即数据应已中心化）。

max_iter整型, 默认为 None

执行的最大迭代次数，因此也是包含的最大特征数量。如果可用，为 n_features 的 10% 但至少为 5。

cv整型, 交叉验证生成器或可迭代对象, 默认为 None

确定交叉验证分割策略。cv 的可能输入为

  • None，使用默认的 5 折交叉验证，

  • 整数，指定折叠数量。

  • CV 分割器,

  • 一个可迭代对象，产生 (训练集, 测试集) 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，了解此处可使用的各种交叉验证策略。

0.22 版本更改: cv 默认值从 None 更改为 3 折到 5 折。

n_jobs整型, 默认为 None

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，请参阅术语表。

verbose布尔型或整型, 默认为 False

设置详细程度。

属性:
intercept_浮点型或形状为 (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_整型

通过交叉验证折叠获得最佳均方误差的非零系数的估计数量。

n_iter_整型或类数组

模型通过所有折叠交叉验证获得的最佳超参数重新拟合后，每个目标的活跃特征数量。

n_features_in_整型

拟合期间看到的特征数量。

1.0 版本新增。

feature_names_in_形状为 (n_features_in_,) 的 ndarray

拟合期间看到的特征名称。仅当 X 具有所有字符串类型的特征名称时才定义。

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。

OrthogonalMatchingPursuit

正交匹配追踪模型 (OMP)。

LarsCV

交叉验证最小角回归模型。

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。

注意

在fit中，一旦通过交叉验证找到最佳非零系数数量，模型将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) 的类数组对象

训练数据。

y形状为 (n_samples,) 的类数组对象

目标值。如有必要，将转换为 X 的数据类型。

**fit_params字典

传递给底层分割器的参数。

1.4 版本新增: 仅当 enable_metadata_routing=True 时可用，这可以通过使用 sklearn.set_config(enable_metadata_routing=True) 设置。有关更多详细信息，请参阅元数据路由用户指南。

返回:
self对象

返回 self 的实例。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查阅用户指南以了解路由机制的工作原理。

1.4 版本新增。

返回:
routingMetadataRouter

一个封装路由信息的MetadataRouter。

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作为估计器的子对象的参数。

返回:
params字典

参数名称映射到其值。

predict(X)[source]#

使用线性模型进行预测。

参数:
X类数组或稀疏矩阵, 形状为 (n_samples, n_features)

样本。

返回:
C数组, 形状为 (n_samples,)

返回预测值。

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

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，并且可以为负值（因为模型可能任意差）。一个总是预测 y 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) 的类数组对象

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) 的类数组对象

X 的真实值。

sample_weight形状为 (n_samples,) 的类数组对象, 默认为 None

样本权重。

返回:
score浮点型

self.predict(X) 相对于 y 的 \(R^2\)。

注意

从 0.23 版本开始，对回归器调用 score 时使用的 \(R^2\) 分数使用 multioutput='uniform_average'，以与 r2_score 的默认值保持一致。这影响了所有多输出回归器（除了 MultiOutputRegressor）的 score 方法。

set_params(**params)[source]#

设置此估计器的参数。

该方法适用于简单的估计器以及嵌套对象（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 = '$UNCHANGED$') → OrthogonalMatchingPursuitCV[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 时相关（请参阅sklearn.set_config）。请查阅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，则请求被忽略。

  • 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，元估计器将引发错误。

  • str：元数据应以此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。

1.3 版本新增。

注意

此方法仅在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。否则它没有效果。

参数:
sample_weightstr, True, False, 或 None, 默认为 sklearn.utils.metadata_routing.UNCHANGED

用于 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。