FixedThresholdClassifier#

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。

该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。

在此，阈值未经优化，并被设置为一个常数值。

在用户指南中阅读更多信息。

版本 1.5 中新增。

参数:
estimator估计器实例

我们希望优化在 predict 期间使用的决策阈值的二元分类器，无论其是否已拟合。

threshold{“auto”} 或 float，默认值=”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，否则将引发错误。

response_method{“auto”, “decision_function”, “predict_proba”}，默认值=”auto”

分类器 estimator 中对应于我们希望找到阈值的决策函数的方法。它可以是

  • 如果为 "auto"，它将按此顺序尝试调用 "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

拟合期间见过的特征数量。仅当底层估计器在拟合时公开此属性时才定义。

feature_names_in_形状为 (n_features_in_,) 的 ndarray

拟合期间见过的特征名称。仅当底层估计器在拟合时公开此属性时才定义。

另请参见

sklearn.model_selection.TunedThresholdClassifierCV

根据某些指标并使用交叉验证对决策阈值进行后期调优的分类器。

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]]
decision_function(X)[source]#

使用已拟合估计器对 X 中的样本进行决策函数计算。

参数:
X形状为 (n_samples, n_features) 的 {array-like, sparse matrix}

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

返回:
decisions形状为 (n_samples,) 的 ndarray

已拟合估计器计算出的决策函数。

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

拟合分类器。

参数:
X形状为 (n_samples, n_features) 的 {array-like, sparse matrix}

训练数据。

y形状为 (n_samples,) 的 array-like

目标值。

**paramsdict

传递给底层分类器 fit 方法的参数。

返回:
self对象

返回一个 self 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

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布尔值，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:
paramsdict

参数名称映射到其值。

predict(X)[source]#

预测新样本的目标。

参数:
X形状为 (n_samples, n_features) 的 {array-like, sparse matrix}

样本，由 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 {array-like, sparse matrix}

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

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]#

使用已拟合估计器预测 X 的类别概率。

参数:
X形状为 (n_samples, n_features) 的 {array-like, sparse matrix}

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

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

输入样本的类别概率。

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，这是一个严格的指标，因为它要求每个样本的每个标签集都必须被正确预测。

参数:
X形状为 (n_samples, n_features) 的 array-like

测试样本。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的 array-like

X 的真实标签。

sample_weight形状为 (n_samples,) 的 array-like，默认值=None

样本权重。

返回:
score浮点数

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:
**paramsdict

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 = '$UNCHANGED$') → FixedThresholdClassifier[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）。请参阅用户指南，了解路由机制的工作原理。

每个参数的选项如下：

  • 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，并且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，而不更改其他参数的请求。

版本 1.3 中新增。

注意

此方法仅在估计器用作元估计器（例如在 Pipeline 中使用）的子估计器时才相关。否则，它没有效果。

参数:
sample_weightstr, True, False, 或 None，默认值=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。