MultiOutputClassifier#

class sklearn.multioutput.MultiOutputClassifier(estimator, *, n_jobs=None)[源码]#

多目标分类器。

该策略包括为每个目标拟合一个分类器。这是一种扩展不原生支持多目标分类的分类器的简单策略。

参数:

estimator估计器对象

实现 fit 和 predict 的估计器对象。只有当 estimator 实现 predict_proba 方法时，才会暴露该方法。

n_jobs整型或 None，可选（默认为 None）

并行运行的作业数量。对于每个目标，fit、predict 和 partial_fit（如果传入的估计器支持）将并行化。

当单个估计器的训练或预测速度很快时，使用 n_jobs > 1 可能会由于并行开销导致性能下降。

None 表示 1，除非在 joblib.parallel_backend 上下文中。-1 表示使用所有可用的进程/线程。更多详情请参见词汇表。

0.20 版中已更改: n_jobs 的默认值从 1 更改为 None。

属性:

classes_形状为 (n_classes,) 的 ndarray: 类别标签。
estimators_n_output 个估计器列表: 用于预测的估计器。
n_features_in_整型: fit 期间看到的特征数量。仅当底层 estimator 拟合时暴露此属性。

在 0.24 版本中新增。
feature_names_in_形状为 (n_features_in_,) 的 ndarray: fit 期间看到的特征名称。仅当底层估计器拟合时暴露此属性。

在 1.0 版本中新增。

另请参见

ClassifierChain: 一个将二元分类器排列成链的多标签模型。
MultiOutputRegressor: 为每个目标变量拟合一个回归器。

示例

>>> import numpy as np
>>> from sklearn.datasets import make_multilabel_classification
>>> from sklearn.multioutput import MultiOutputClassifier
>>> from sklearn.linear_model import LogisticRegression
>>> X, y = make_multilabel_classification(n_classes=3, random_state=0)
>>> clf = MultiOutputClassifier(LogisticRegression()).fit(X, y)
>>> clf.predict(X[-2:])
array([[1, 1, 1],
       [1, 0, 1]])

fit(X, Y, sample_weight=None, **fit_params)[源码]#

用数据矩阵 X 和目标 Y 拟合模型。

参数:

X{array-like, 稀疏矩阵}，形状为 (n_samples, n_features): 输入数据。
Yarray-like，形状为 (n_samples, n_classes): 目标值。
sample_weightarray-like，形状为 (n_samples,)，默认值为 None: 样本权重。如果为 None，则样本权重相等。仅当底层分类器支持样本权重时支持。
**fit_paramsstring -> object 字典: 传递给每个步骤的 estimator.fit 方法的参数。

在 0.23 版本中新增。

返回:

self对象: 返回一个已拟合的实例。

get_metadata_routing()[源码]#

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。

在 1.3 版本中新增。

返回:

routingMetadataRouter: 一个封装路由信息的 MetadataRouter。

get_params(deep=True)[源码]#

获取此估计器的参数。

参数:

deep布尔值，默认值为 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。

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

为每个类别输出增量拟合一个单独的模型。

参数:

X{array-like, 稀疏矩阵}，形状为 (n_samples, n_features)

输入数据。

y{array-like, 稀疏矩阵}，形状为 (n_samples, n_outputs)

多输出目标。

classes形状为 (n_outputs,) 的 ndarray 列表，默认值为 None

每个数组都是一个输出的唯一类（字符串/整数）。可以通过 [np.unique(y[:, i]) for i in range(y.shape[1])] 获取，其中 y 是整个数据集的目标矩阵。此参数在首次调用 partial_fit 时是必需的，后续调用可以省略。请注意，y 不需要包含 classes 中的所有标签。

sample_weightarray-like，形状为 (n_samples,)，默认值为 None

样本权重。如果为 None，则样本权重相等。仅当底层回归器支持样本权重时支持。

**partial_fit_paramsstr -> object 字典

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

仅在 enable_metadata_routing=True 时可用。请参见用户指南。

在 1.3 版本中新增。

返回:

self对象: 返回一个已拟合的实例。

predict(X)[源码]#

使用每个目标变量的模型预测多输出变量。

参数:

X{array-like, 稀疏矩阵}，形状为 (n_samples, n_features): 输入数据。

返回:

y{array-like, 稀疏矩阵}，形状为 (n_samples, n_outputs): 跨多个预测器预测多输出目标。注意：为每个预测器生成单独的模型。

predict_proba(X)[源码]#

返回每个输出的每个类别的预测概率。

如果任何估计器没有 predict_proba 方法，此方法将引发 ValueError。

参数:

Xarray-like，形状为 (n_samples, n_features): 输入数据。

返回:

p形状为 (n_samples, n_classes) 的数组，如果 n_outputs > 1，则为 n_outputs 个这样的数组的列表。: 输入样本的类别概率。类别的顺序与属性 classes_ 中的顺序一致。

0.19 版中已更改: 此函数现在返回一个数组列表，列表的长度为 n_outputs，每个数组的形状为 (n_samples, n_classes) 用于特定的输出。

score(X, y)[源码]#

返回给定测试数据和标签的平均准确率。

参数:

Xarray-like，形状为 (n_samples, n_features): 测试样本。
yarray-like，形状为 (n_samples, n_outputs): X 的真实值。

返回:

scores浮点数: 预测目标与真实目标的平均准确率。

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → MultiOutputClassifier[源码]#

请求传递给 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）。请参见用户指南，了解路由机制的工作原理。

每个参数的选项是

True: 请求元数据，如果提供则传递给 fit。如果未提供元数据，则忽略该请求。
False: 不请求元数据，并且元估计器不会将其传递给 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。

在 1.3 版本中新增。

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 内部使用时。否则它没有效果。

参数:

sample_weightstr, True, False, 或 None, 默认值=sklearn.utils.metadata_routing.UNCHANGED: fit 方法中 sample_weight 参数的元数据路由。

返回:

self对象: 更新后的对象。

set_params(**params)[源码]#

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（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: bool | None | str = '$UNCHANGED$', sample_weight: bool | None | str = '$UNCHANGED$') → MultiOutputClassifier[源码]#

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）。请参见用户指南，了解路由机制的工作原理。

每个参数的选项是

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，并且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。

在 1.3 版本中新增。

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 内部使用时。否则它没有效果。

参数:

classesstr, True, False, 或 None, 默认值=sklearn.utils.metadata_routing.UNCHANGED: partial_fit 方法中 classes 参数的元数据路由。
sample_weightstr, True, False, 或 None, 默认值=sklearn.utils.metadata_routing.UNCHANGED: partial_fit 方法中 sample_weight 参数的元数据路由。

返回:

self对象: 更新后的对象。

MultiOutputClassifier#

此页