OrthogonalMatchingPursuit (正交匹配追踪)#

class sklearn.linear_model.OrthogonalMatchingPursuit(*, n_nonzero_coefs=None, tol=None, fit_intercept=True, precompute='auto')[source]#

正交匹配追踪模型 (OMP)。

更多信息请参考用户指南。

参数：

n_nonzero_coefsint，默认为None: 解中非零项的期望数量。如果设置了tol，则忽略此参数。当None且tol也为None时，此值设置为n_features的10%或1，取较大者。
tolfloat，默认为None: 残差的最大平方范数。如果非None，则覆盖n_nonzero_coefs。
fit_interceptbool，默认为True: 是否计算该模型的截距。如果设置为false，则计算中不使用截距（即数据应已居中）。
precompute‘auto’ 或 bool，默认为’auto’: 是否使用预计算的 Gram 矩阵和 Xy 矩阵来加快计算速度。n_targets 或 n_samples 非常大时，可以提高性能。请注意，如果您已经拥有此类矩阵，可以直接将它们传递给fit方法。

属性：

coef_形状为 (n_features,) 或 (n_targets, n_features) 的ndarray: 参数向量（公式中的 w）。
intercept_float 或形状为 (n_targets,) 的ndarray: 决策函数中的独立项。
n_iter_int 或类数组: 每个目标的活动特征数量。
n_nonzero_coefs_int 或 None: 解中非零系数的数量，或者当设置了tol时为None。如果n_nonzero_coefs为None且tol为None，则此值设置为n_features的10%或1，取较大者。
n_features_in_int: 在fit期间看到的特征数量。

在 0.24 版本中添加。
feature_names_in_形状为 (n_features_in_,) 的ndarray: 在fit期间看到的特征名称。仅当X的特征名称全部为字符串时才定义。

在 1.0 版本中添加。

另请参阅

orthogonal_mp: 求解 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 求解 n_targets 个正交匹配追踪问题。
lars_path: 使用 LARS 算法计算最小角回归或 Lasso 路径。
Lars: 最小角回归模型，也称为 LAR。
LassoLars: 使用最小角回归拟合的 Lasso 模型，也称为 Lars。
sklearn.decomposition.sparse_encode: 通用稀疏编码。结果的每一列都是 Lasso 问题的解。
OrthogonalMatchingPursuitCV: 交叉验证的正交匹配追踪模型 (OMP)。

备注

正交匹配追踪在 G. Mallat, Z. Zhang, Matching pursuits with time-frequency dictionaries, IEEE Transactions on Signal Processing, Vol. 41, No. 12. (December 1993), pp. 3397-3415. 中介绍。(https://www.di.ens.fr/~mallat/papiers/MallatPursuit93.pdf)

此实现基于 Rubinstein, R., Zibulevsky, M. and Elad, M., Efficient Implementation of the K-SVD Algorithm using Batch Orthogonal Matching Pursuit Technical Report - CS Technion, April 2008. https://www.cs.technion.ac.il/~ronrubin/Publications/KSVD-OMP-v2.pdf

示例

>>> from sklearn.linear_model import OrthogonalMatchingPursuit
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(noise=4, random_state=0)
>>> reg = OrthogonalMatchingPursuit().fit(X, y)
>>> reg.score(X, y)
0.9991...
>>> reg.predict(X[:1,])
array([-78.3854...])

fit(X, y)[source]#

使用 X, y 作为训练数据拟合模型。

参数：

X形状为 (n_samples, n_features) 的类数组: 训练数据。
y形状为 (n_samples,) 或 (n_samples, n_targets) 的类数组: 目标值。如有必要，将转换为 X 的 dtype。

返回值：

self对象: 返回 self 的实例。

get_metadata_routing()[source]#

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。

返回值：

routingMetadataRequest: 一个 MetadataRequest 封装路由信息。

get_params(deep=True)[source]#

获取此估计器的参数。

参数：

deepbool，默认为True: 如果为 True，则将返回此估计器和包含的子对象（它们是估计器）的参数。

返回值：

paramsdict: 参数名与其值的映射。

predict(X)[source]#

使用线性模型进行预测。

参数：

X类数组或稀疏矩阵，形状 (n_samples, n_features): 样本。

返回值：

C数组，形状 (n_samples,): 返回预测值。

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

返回预测的决定系数。

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()，而 $v$ 是总平方和 ((y_true - y_true.mean()) ** 2).sum()。最佳分数为 1.0，也可能为负值（因为模型可以任意差）。一个始终预测 y 期望值的常数模型，忽略输入特征，其 $R^2$ 分数为 0.0。

参数：

X形状为 (n_samples, n_features) 的类数组: 测试样本。对于某些估计器，这可能是预计算的核矩阵或形状为 (n_samples, n_samples_fitted) 的泛型对象列表，其中 n_samples_fitted 是估计器拟合中使用的样本数。
y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组: X 的真实值。
sample_weight形状为 (n_samples,) 的类数组，默认为 None: 样本权重。

返回值：

score浮点数: self.predict(X) 关于 y 的 $R^2$。

备注

从 0.23 版本开始，调用回归器的 score 方法时使用的 $R^2$ 分数使用 multioutput='uniform_average'，以保持与 r2_score 的默认值一致。这会影响所有多输出回归器的 score 方法（MultiOutputRegressor 除外）。

set_params(**params)[source]#

设置此估计器的参数。

此方法适用于简单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。

返回值：

self估计器实例: 估计器实例。

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

请求传递给 score 方法的元数据。

请注意，只有当 enable_metadata_routing=True 时（请参阅 sklearn.set_config），此方法才相关。请参阅用户指南，了解路由机制的工作原理。

每个参数的选项为

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：元数据应使用此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）保留现有的请求。这允许您更改某些参数的请求，而不对其他参数进行更改。

1.3 版中新增。

注意

仅当将此估计器用作元估计器的子估计器时（例如，在 Pipeline 中使用），此方法才相关。否则，它无效。

参数：

sample_weightstr、True、False 或 None，默认为 sklearn.utils.metadata_routing.UNCHANGED: score 中 sample_weight 参数的元数据路由。

返回值：

self对象: 更新后的对象。

图库示例#

正交匹配追踪