OneVsRestClassifier#

class sklearn.multiclass.OneVsRestClassifier(estimator, *, n_jobs=None, verbose=0)[源]#

一对多（OvR）多类别策略。

也称为一对全（one-vs-all），此策略包括为每个类别拟合一个分类器。对于每个分类器，该类别都针对所有其他类别进行拟合。除了计算效率高（只需要 n_classes 个分类器）之外，这种方法的一个优点是其可解释性。由于每个类别都只由一个分类器表示，因此可以通过检查其对应的分类器来了解该类别。这是多类别分类中最常用的策略，也是一个合理的默认选择。

OneVsRestClassifier 也可用于多标签分类。要使用此功能，请在调用 .fit 时为目标 y 提供一个指示矩阵。换句话说，目标标签应格式化为二维二进制（0/1）矩阵，其中 [i, j] == 1 表示样本 i 中存在标签 j。此估计器使用二元相关性方法执行多标签分类，该方法涉及为每个标签独立训练一个二元分类器。

更多信息请参阅《用户指南》。

参数：
estimator估计器对象

实现 fit 方法的回归器或分类器。当传入分类器时，将优先使用 decision_function，如果不可用则回退到 predict_proba。当传入回归器时，使用 predict。

n_jobs整型, 默认值=None

用于计算的并行作业数：n_classes 个一对多问题并行计算。

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》。

0.20 版本中的变化：n_jobs 的默认值从 1 更改为 None

verbose整型, 默认值=0

详细程度级别，如果非零，则打印进度消息。低于 50 时，输出发送到 stderr。否则，输出发送到 stdout。消息的频率随详细程度级别增加，在 10 时报告所有迭代。有关更多详细信息，请参阅 joblib.Parallel。

1.1 版本新增。

属性：
estimators_n_classes 个估计器的列表

用于预测的估计器。

classes_数组, 形状 = [n_classes]

类别标签。

n_classes_整型

类别数。

label_binarizer_LabelBinarizer 对象

用于将多类别标签转换为二元标签反之亦然的对象。

multilabel_布尔型

这是否是多标签分类器。

n_features_in_整型

fit 期间看到的特征数量。仅当底层估计器在拟合时公开此属性时才定义。

0.24 版本新增。

feature_names_in_形状为 (n_features_in_,) 的 ndarray

fit 期间看到的特征名称。仅当底层估计器在拟合时公开此属性时才定义。

1.0 版本新增。

另请参阅

OneVsOneClassifier

一对一多类别策略。

OutputCodeClassifier

（纠错）输出代码多类别策略。

sklearn.multioutput.MultiOutputClassifier

扩展估计器以进行多标签分类的另一种方式。

sklearn.preprocessing.MultiLabelBinarizer

将可迭代对象的迭代转换为二元指示矩阵。

示例

>>> import numpy as np
>>> from sklearn.multiclass import OneVsRestClassifier
>>> from sklearn.svm import SVC
>>> X = np.array([
...     [10, 10],
...     [8, 10],
...     [-5, 5.5],
...     [-5.4, 5.5],
...     [-20, -20],
...     [-15, -20]
... ])
>>> y = np.array([0, 0, 1, 1, 2, 2])
>>> clf = OneVsRestClassifier(SVC()).fit(X, y)
>>> clf.predict([[-19, -20], [9, 9], [-5, 5]])
array([2, 0, 1])
decision_function(X)[源]#

OneVsRestClassifier 的决策函数。

返回每个样本到每个类别决策边界的距离。此函数只能用于实现 decision_function 方法的估计器。

参数：
X形状为 (n_samples, n_features) 的类数组对象

输入数据。

返回：
T形状为 (n_samples, n_classes) 的类数组对象，或用于二元分类的 (n_samples,) 形状。

对最终估计器调用 decision_function 的结果。

0.19 版本中的变化：输出形状更改为 (n_samples,) 以符合 scikit-learn 二元分类约定。

fit(X, y, **fit_params)[源]#

拟合底层估计器。

参数：
X形状为 (n_samples, n_features) 的 {类数组对象, 稀疏矩阵}

数据。

y形状为 (n_samples,) 或 (n_samples, n_classes) 的 {类数组对象, 稀疏矩阵}

多类别目标。指示矩阵开启多标签分类。

**fit_params字典

传递给每个子估计器的 estimator.fit 方法的参数。

1.4 版本新增：仅当 enable_metadata_routing=True 时可用。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

已拟合估计器的实例。

get_metadata_routing()[源]#

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。

1.4 版本新增。

返回：
routingMetadataRouter

封装路由信息的 MetadataRouter。

get_params(deep=True)[源]#

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子对象（如果它们是估计器）的参数。

返回：
params字典

参数名称及其对应值。

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

部分拟合底层估计器。

当内存不足以训练所有数据时应使用。数据块可以通过多次迭代传入。

参数：
X形状为 (n_samples, n_features) 的 {类数组对象, 稀疏矩阵}

数据。

y形状为 (n_samples,) 或 (n_samples, n_classes) 的 {类数组对象, 稀疏矩阵}

多类别目标。指示矩阵开启多标签分类。

classes数组, 形状 (n_classes, )

在所有 partial_fit 调用中的类别。可以通过 np.unique(y_all) 获取，其中 y_all 是整个数据集的目标向量。此参数仅在首次调用 partial_fit 时需要，在后续调用中可以省略。

**partial_fit_params字典

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

1.4 版本新增：仅当 enable_metadata_routing=True 时可用。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

部分拟合估计器的实例。

predict(X)[源]#

使用底层估计器预测多类别目标。

参数：
X形状为 (n_samples, n_features) 的 {类数组对象, 稀疏矩阵}

数据。

返回：
y形状为 (n_samples,) 或 (n_samples, n_classes) 的 {类数组对象, 稀疏矩阵}

预测的多类别目标。

predict_proba(X)[源]#

概率估计。

返回的所有类别的估计值按类别标签排序。

请注意，在多标签情况下，每个样本可以有任意数量的标签。这返回给定样本具有所讨论标签的边际概率。例如，两个标签对给定样本都具有 90% 的适用概率是完全一致的。

在单标签多类别情况下，返回矩阵的行和为 1。

参数：
X形状为 (n_samples, n_features) 的 {类数组对象, 稀疏矩阵}

输入数据。

返回：
T形状为 (n_samples, n_classes) 的类数组对象

返回模型中每个样本属于各个类别的概率，其中类别按 self.classes_ 中的顺序排列。

score(X, y, sample_weight=None)[源]#

返回所提供数据和标签的准确率。

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正确预测。

参数：
X形状为 (n_samples, n_features) 的类数组对象

测试样本。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组对象

X 的真实标签。

sample_weight形状为 (n_samples,) 的类数组对象, 默认值=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)[源]#

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：
self估计器实例

估计器实例。

set_partial_fit_request(*, classes: 布尔型 | None | 字符串 = '$UNCHANGED$') → OneVsRestClassifier[源]#

请求传递给 partial_fit 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）。请参阅《用户指南》了解路由机制的工作原理。

每个参数的选项有：

  • True：请求元数据，如果提供则传递给 partial_fit。如果未提供元数据，则忽略该请求。

  • 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，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不更改其他参数。

1.3 版本新增。

注意

此方法仅当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。否则，它没有效果。

参数：
classes字符串, True, False, 或 None, 默认值=sklearn.utils.metadata_routing.UNCHANGED

partial_fit 中 classes 参数的元数据路由。

返回：
self对象

更新后的对象。

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

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）。请参阅《用户指南》了解路由机制的工作原理。

每个参数的选项有：

  • 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不更改其他参数。

1.3 版本新增。

注意

此方法仅当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。否则，它没有效果。

参数：
sample_weight字符串, 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。