MultiOutputClassifier#

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

多目标分类。

此策略包括为每个目标拟合一个分类器。这是扩展本身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

一个实现 fit 和 predict 的估计器对象。predict_proba 方法仅在 estimator 实现它时才可用。

n_jobsint 或 None，可选（默认=None）

要并行运行的任务数。fit、predict 和 partial_fit（如果由传递的估计器支持）将针对每个目标并行执行。

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

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。更多详细信息请参阅 Glossary。

版本 0.20 已更改： n_jobs 的默认值从 1 更改为 None。

属性:

classes_ndarray of shape (n_classes,): 类别标签。
estimators_list of n_output estimators: 用于预测的估计器。
n_features_in_int: 在 fit 期间看到的特征数量。仅当底层 estimator 在拟合时公开此类属性时才定义。

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。仅当底层估计器在拟合时公开此类属性时才定义。

1.0 版本新增。

另请参阅

ClassifierChain: 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)[源代码]#

将模型拟合到数据矩阵 X 和目标 Y。

参数:

Xshape 为 (n_samples, n_features) 的 {array-like, sparse matrix}: 输入数据。
Y形状为 (n_samples, n_classes) 的类数组: 目标值。
sample_weightshape 为 (n_samples,) 的 array-like, default=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才支持。
**fit_paramsdict of string -> object: 传递给每个步骤的 estimator.fit 方法的参数。

0.23 版本新增。

返回:

selfobject: 返回拟合的实例。

get_metadata_routing()[源代码]#

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。

在版本 1.3 中新增。

返回:

routingMetadataRouter: 封装路由信息的 MetadataRouter。

get_params(deep=True)[源代码]#

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。

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

逐步为每个类输出拟合单独的模型。

参数:

Xshape 为 (n_samples, n_features) 的 {array-like, sparse matrix}

输入数据。

y{array-like, sparse matrix} shape (n_samples, n_outputs)

多输出目标。

classeslist of ndarray shape (n_outputs,), default=None

每个数组是目标变量中的一个唯一类别，以字符串/整数表示。可以通过 [np.unique(y[:, i]) for i in range(y.shape[1])] 获得，其中 y 是整个数据集的目标矩阵。此参数在第一次调用 partial_fit 时是必需的，并且可以在后续调用中省略。请注意，y 不需要包含 classes 中的所有标签。

sample_weightshape 为 (n_samples,) 的 array-like, default=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才支持。

**partial_fit_paramsdict of str -> object

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

仅当 enable_metadata_routing=True 时可用。请参阅用户指南。

在版本 1.3 中新增。

返回:

selfobject: 返回拟合的实例。

predict(X)[源代码]#

使用每个目标变量的模型预测多输出变量。

参数:

Xshape 为 (n_samples, n_features) 的 {array-like, sparse matrix}: 输入数据。

返回:

y{array-like, sparse matrix} shape (n_samples, n_outputs): 通过多个预测器预测的多输出目标。注意：每个预测器都生成单独的模型。

predict_proba(X)[源代码]#

为每个输出的每个类返回预测概率。

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

参数:

Xshape 为 (n_samples, n_features) 的 array-like: 输入数据。

返回:

parray shape (n_samples, n_classes)，如果 n_outputs > 1，则为 n_outputs 个此类数组的列表。: 输入样本的类别概率。类的顺序对应于属性 classes_ 中的顺序。

版本 0.19 已更改：此函数现在返回一个数组列表，其中列表的长度为 n_outputs，每个数组对于该特定输出的形状为（n_samples，n_classes）。

score(X, y)[源代码]#

Return the mean accuracy on the given test data and labels.

参数:

Xshape 为 (n_samples, n_features) 的 array-like: 测试样本。
yarray-like shape (n_samples, n_outputs): X 的真实值。

返回:

scoresfloat: 预测目标与真实目标之间的平均准确率。

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

配置是否应请求元数据以传递给 fit 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 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 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：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: fit 方法中 sample_weight 参数的元数据路由。

返回:

selfobject: 更新后的对象。

set_params(**params)[源代码]#

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，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_partial_fit_request(*, classes: bool | None | str = '$UNCHANGED$', sample_weight: bool | None | str = '$UNCHANGED$') → MultiOutputClassifier[源代码]#

Configure whether metadata should be requested to be passed to the partial_fit method.

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: metadata is requested, and passed to partial_fit if provided. The request is ignored if metadata is not provided.
False: metadata is not requested and the meta-estimator will not pass it to 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：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:

classesstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED: 用于 partial_fit 中 classes 参数的元数据路由。
sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED: Metadata routing for sample_weight parameter in partial_fit.

返回:

selfobject: 更新后的对象。

MultiOutputClassifier#

本页