FixedThresholdClassifier#

class sklearn.model_selection.FixedThresholdClassifier(estimator, *, threshold='auto', pos_label=None, response_method='auto')[源代码]#

手动设置决策阈值的二元分类器。

此分类器允许更改用于将后验概率估计（即 predict_proba 的输出）或决策分数（即 decision_function 的输出）转换为类标签的默认决策阈值。

此处，阈值未进行优化，而是设置为一个常量值。

在 用户指南 中阅读更多内容。

1.5 版本新增。

参数:
estimatorestimator instance

在 predict 期间，我们希望优化决策阈值的二元分类器，无论其是否已拟合。

threshold{“auto”} 或 float，默认为“auto”

在将后验概率估计（即 predict_proba 的输出）或决策分数（即 decision_function 的输出）转换为类标签时使用的决策阈值。当设置为 "auto" 时，如果 predict_proba 被用作 response_method，则阈值设置为 0.5，否则设置为 0（即 decision_function 的默认阈值）。

pos_labelint, float, bool or str, default=None

正类的标签。用于处理 response_method 方法的输出。当 pos_label=None 时，如果 y_true 是 {-1, 1} 或 {0, 1}，则 pos_label 设置为 1，否则将引发错误。

response_method{“auto”, “decision_function”, “predict_proba”}，默认为“auto”

分类器 estimator 对应于我们想要找到阈值的决策函数的那些方法。它可以是

  • 如果设置为 "auto"，它将按顺序尝试调用 "predict_proba" 或 "decision_function"。

  • 否则，可以是 "predict_proba" 或 "decision_function" 中的一个。如果分类器未实现该方法，将引发错误。

属性:
estimator_估计器实例

拟合后用于预测的分类器。

classes_形状为 (n_classes,) 的 ndarray

类标签。

n_features_in_int

在 fit 期间看到的特征数。仅当底层估计器在拟合时暴露此属性时才定义。

feature_names_in_shape 为 (n_features_in_,) 的 ndarray

拟合 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。

另请参阅

sklearn.model_selection.TunedThresholdClassifierCV

通过交叉验证，根据某些指标对决策阈值进行后调优的分类器。

sklearn.calibration.CalibratedClassifierCV

校准概率的估计器。

示例

>>> from sklearn.datasets import make_classification
>>> from sklearn.linear_model import LogisticRegression
>>> from sklearn.metrics import confusion_matrix
>>> from sklearn.model_selection import FixedThresholdClassifier, train_test_split
>>> X, y = make_classification(
...     n_samples=1_000, weights=[0.9, 0.1], class_sep=0.8, random_state=42
... )
>>> X_train, X_test, y_train, y_test = train_test_split(
...     X, y, stratify=y, random_state=42
... )
>>> classifier = LogisticRegression(random_state=0).fit(X_train, y_train)
>>> print(confusion_matrix(y_test, classifier.predict(X_test)))
[[217   7]
 [ 19   7]]
>>> classifier_other_threshold = FixedThresholdClassifier(
...     classifier, threshold=0.1, response_method="predict_proba"
... ).fit(X_train, y_train)
>>> print(confusion_matrix(y_test, classifier_other_threshold.predict(X_test)))
[[184  40]
 [  6  20]]
decision_function(X)[源代码]#

使用已拟合的估计器计算 X 中样本的决策函数。

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

训练向量，其中 n_samples 是样本数量，n_features 是特征数量。

返回:
decisions形状为 (n_samples,) 的 ndarray

由已拟合的估计器计算的决策函数。

fit(X, y, **params)[源代码]#

拟合分类器。

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

训练数据。

yarray-like of shape (n_samples,)

目标值。

**paramsdict

要传递给底层分类器的 fit 方法的参数。

返回:
selfobject

Returns an instance of self.

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。

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。

predict(X)[源代码]#

预测新样本的目标。

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

样本，如 estimator.predict 所接受。

返回:
class_labels形状为 (n_samples,) 的 ndarray

预测的类别。

predict_log_proba(X)[源代码]#

使用已拟合的估计器计算 X 的对数类概率。

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

训练向量，其中 n_samples 是样本数量，n_features 是特征数量。

返回:
log_probabilities形状为 (n_samples, n_classes) 的 ndarray

输入样本的对数类概率。

predict_proba(X)[源代码]#

使用已拟合的估计器计算 X 的类概率。

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

训练向量，其中 n_samples 是样本数量，n_features 是特征数量。

返回:
probabilities形状为 (n_samples, n_classes) 的 ndarray

输入样本的类别概率。

score(X, y, sample_weight=None)[源代码]#

返回在提供的数据和标签上的 准确率 (accuracy)。

在多标签分类中，这是子集准确率 (subset accuracy)，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被正确预测。

参数:
Xshape 为 (n_samples, n_features) 的 array-like

测试样本。

yshape 为 (n_samples,) 或 (n_samples, n_outputs) 的 array-like

X 的真实标签。

sample_weightshape 为 (n_samples,) 的 array-like, default=None

样本权重。

返回:
scorefloat

self.predict(X) 相对于 y 的平均准确率。

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

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。