OutputCodeClassifier#

class sklearn.multiclass.OutputCodeClassifier(estimator, *, code_size=1.5, random_state=None, n_jobs=None)[source]#

(纠错) 输出编码多类别策略。

基于输出编码的策略通过二进制编码（一个由 0 和 1 组成的数组）来表示每个类别。在拟合（fit）时，为码本中的每个比特拟合一个二元分类器。在预测时，分类器用于将新数据点投影到类别空间中，并选择最接近这些数据点的类别。这些策略的主要优点是用户可以控制所使用的分类器数量，无论是为了压缩模型（0 < code_size < 1）还是为了提高模型的容错能力（code_size > 1）。更多详情请参阅文档。

更多信息请参阅用户指南。

参数:
estimator估计器对象

实现fit 方法以及decision_function 或 predict_proba 方法的估计器对象。

code_size浮点数, 默认值=1.5

用于创建码本的类别数量百分比。0 到 1 之间的数字将比“一对余”策略需要更少的分类器。大于 1 的数字将比“一对余”策略需要更多的分类器。

random_state整数, RandomState 实例, 默认值=None

用于初始化码本的生成器。传入一个整数可以在多次函数调用中获得可重现的输出。请参阅术语表。

n_jobs整数, 默认值=None

用于计算的作业数：多类别问题将并行计算。

None 表示 1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有处理器。更多详情请参阅术语表。

属性:
estimators_int(n_classes * code_size) 个估计器的列表

用于预测的估计器。

classes_形状为 (n_classes,) 的 ndarray

包含标签的数组。

code_book_形状为 (n_classes, len(estimators_)) 的 ndarray

包含每个类别代码的二进制数组。

n_features_in_整数

在 fit 期间观察到的特征数量。仅当底层估计器在 fit 时暴露此属性时才定义。

0.24 版本新增。

feature_names_in_形状为 (n_features_in_,) 的 ndarray

在 fit 期间观察到的特征名称。仅当底层估计器在 fit 时暴露此属性时才定义。

1.0 版本新增。

另请参阅

OneVsRestClassifier

一对所有多类别策略。

OneVsOneClassifier

一对一多类别策略。

参考文献

[1]

“通过纠错输出码解决多类别学习问题”，Dietterich T.，Bakiri G.，Journal of Artificial Intelligence Research 2，1995。

[2]

“纠错编码方法与 PICTs”，James G.，Hastie T.，Journal of Computational and Graphical statistics 7，1998。

[3]

“统计学习基础”，Hastie T.，Tibshirani R.，Friedman J.，第 606 页（第二版），2008。

示例

>>> from sklearn.multiclass import OutputCodeClassifier
>>> from sklearn.ensemble import RandomForestClassifier
>>> from sklearn.datasets import make_classification
>>> X, y = make_classification(n_samples=100, n_features=4,
...                            n_informative=2, n_redundant=0,
...                            random_state=0, shuffle=False)
>>> clf = OutputCodeClassifier(
...     estimator=RandomForestClassifier(random_state=0),
...     random_state=0).fit(X, y)
>>> clf.predict([[0, 0, 0, 0]])
array([1])
fit(X, y, **fit_params)[source]#

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,) 的类数组对象

多类别目标。

**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。更多详情请参阅元数据路由用户指南。

返回:
self对象

返回自身的一个已拟合实例。

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:
params字典

参数名称及其对应值的映射。

predict(X)[source]#

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,) 的 ndarray

预测的多类别目标。

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浮点数

相对于 y，self.predict(X) 的平均准确率。

set_params(**params)[source]#

设置此估计器的参数。

此方法适用于简单的估计器以及嵌套对象（例如 Pipeline）。嵌套对象的参数形式为 <component>__<parameter>，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 = '$UNCHANGED$') → OutputCodeClassifier[source]#

请求传递给 score 方法的元数据。

请注意，此方法仅当 enable_metadata_routing=True 时才相关（参阅 sklearn.set_config）。请参阅用户指南以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，则请求被忽略。

  • 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。这允许您更改部分参数的请求，而不改变其他参数。

1.3 版本新增。

注意

此方法仅当此估计器用作元估计器（例如在 Pipeline 中使用）的子估计器时才相关。否则，它不起作用。

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。