OrthogonalMatchingPursuitCV#

class sklearn.linear_model.OrthogonalMatchingPursuitCV(*, copy=True, fit_intercept=True, max_iter=None, cv=None, n_jobs=None, verbose=False)[source]#

交叉验证的正交匹配追踪模型 (OMP)。

参见词汇表条目交叉验证估计器。

在用户指南中了解更多信息。

参数:

copy布尔值, 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 值才有用，否则无论如何都会进行复制。

fit_interceptbool, default=True

Whether to calculate the intercept for this model. If set to false, no intercept will be used in calculations (i.e. data is expected to be centered).

max_iterint, default=None

要执行的最大迭代次数，因此要包含的最大特征数。如果是 n_features 的 10%，则至少为 5（如果可用）。

cvint, cross-validation generator or iterable, default=None

确定交叉验证拆分策略。cv 的可能输入包括

None，使用默认的 5 折交叉验证，
整数，指定折数。
CV 分割器,
一个可迭代对象，产生索引数组形式的 (训练集, 测试集) 拆分。

For integer/None inputs, KFold is used.

有关此处可使用的各种交叉验证策略，请参阅用户指南。

版本 0.22 中已更改：如果为 None，cv 默认值从 3 折更改为 5 折。

n_jobsint, default=None

Number of CPUs to use during the cross validation. None means 1 unless in a joblib.parallel_backend context. -1 means using all processors. See Glossary for more details.

verbosebool or int, default=False

Sets the verbosity amount.

属性:

intercept_float or ndarray of shape (n_targets,): 决策函数中的独立项。
coef_ndarray of shape (n_features,) or (n_targets, n_features): 参数向量（问题公式中的 w）。
n_nonzero_coefs_int: 在交叉验证折叠中给出最佳均方误差的非零系数的估计数量。
n_iter_int or array-like: 通过在所有折叠上进行交叉验证获得的最佳超参数重新拟合模型时，每个目标的活跃特征数量。
n_features_in_int: 在拟合期间看到的特征数。

0.24 版本新增。
feature_names_in_shape 为 (n_features_in_,) 的 ndarray: 在 fit 期间看到的特征名称。仅当 X 具有全部为字符串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 来解决 n_targets 个正交匹配追踪问题。
lars_path: Compute Least Angle Regression or Lasso path using LARS algorithm.
Lars: 最小角回归模型，又名 LAR。
LassoLars: 使用最小角回归（又名 Lars）拟合的 Lasso 模型。
OrthogonalMatchingPursuit: 正交匹配追踪模型 (OMP)。
LarsCV: 交叉验证的最小角回归模型。
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。

注意事项

在 fit 中，一旦通过交叉验证找到了非零系数的最佳数量，就会使用整个训练集再次拟合模型。

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]#

Fit the model using X, y as training data.

参数:

Xshape 为 (n_samples, n_features) 的 array-like: 训练数据。
yarray-like of shape (n_samples,): 目标值。如有必要，将被转换为 X 的 dtype。
**fit_paramsdict: 要传递给底层拆分器的参数。

Added in version 1.4: Only available if enable_metadata_routing=True, which can be set by using sklearn.set_config(enable_metadata_routing=True). See Metadata Routing User Guide for more details.

返回:

selfobject: Returns an instance of self.

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查阅用户指南，了解路由机制如何工作。

1.4 版本新增。

返回:

routingMetadataRouter: 封装路由信息的 MetadataRouter。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:

deepbool, default=True: 如果为 True，将返回此估计器以及包含的子对象（如果它们是估计器）的参数。

返回:

paramsdict: 参数名称映射到其值。

predict(X)[source]#

使用线性模型进行预测。

参数:

Xarray-like or sparse matrix, shape (n_samples, n_features): 样本。

返回:

Carray, shape (n_samples,): 返回预测值。

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

返回测试数据的决定系数。

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，并且可能为负值（因为模型可能任意差）。一个始终预测 y 期望值（忽略输入特征）的常数模型将获得 $R^2$ 分数 0.0。

参数:

Xshape 为 (n_samples, n_features) 的 array-like: 测试样本。对于某些估计器，这可能是一个预先计算的核矩阵或一个通用对象列表，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。
yshape 为 (n_samples,) 或 (n_samples, n_outputs) 的 array-like: X 的真实值。
sample_weightshape 为 (n_samples,) 的 array-like, default=None: 样本权重。

返回:

scorefloat: self.predict(X) 相对于 y 的 $R^2$。

注意事项

在调用回归器的 score 时使用的 $R^2$ 分数从 0.23 版本开始使用 multioutput='uniform_average'，以与 r2_score 的默认值保持一致。这会影响所有多输出回归器（MultiOutputRegressor 除外）的 score 方法。

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（如 Pipeline）。后者具有 <component>__<parameter> 形式的参数，以便可以更新嵌套对象的每个组件。

参数:

**paramsdict: 估计器参数。

返回:

selfestimator instance: 估计器实例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → OrthogonalMatchingPursuitCV[source]#

配置是否应请求元数据以传递给 score 方法。

请注意，此方法仅在以下情况下相关：此估计器用作元估计器中的子估计器，并且通过 enable_metadata_routing=True 启用了元数据路由（请参阅 sklearn.set_config）。请查看用户指南以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：应将元数据以给定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。

在版本 1.3 中新增。

参数:

sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED: score 方法中 sample_weight 参数的元数据路由。

返回:

selfobject: 更新后的对象。

Gallery examples#

正交匹配追踪

OrthogonalMatchingPursuitCV#

Gallery examples#

本页