OneVsOneClassifier#

class sklearn.multiclass.OneVsOneClassifier(estimator, *, n_jobs=None)[来源]#

一对一多类策略。

这种策略包括为每个类对拟合一个分类器。在预测时，选择获得最多投票的类别。由于它需要拟合 n_classes * (n_classes - 1) / 2 个分类器，因此该方法通常比一对多（one-vs-the-rest）方法慢，因为它的复杂度为 O(n_classes^2)。然而，对于像核方法这样不能很好地扩展到 n_samples 的算法，这种方法可能更有优势。这是因为每个单独的学习问题只涉及数据的一个小子集，而对于一对多方法，整个数据集被使用了 n_classes 次。

在 用户指南 中阅读更多内容。

参数:
estimator估计器对象

实现 fit 的回归器或分类器。当传入分类器时，将优先使用 decision_function，如果不可用，则回退到 predict_proba。当传入回归器时，使用 predict。

n_jobsint, default=None

用于计算的作业数量：n_classes * ( n_classes - 1) / 2 个 OVO 问题并行计算。

None 表示 1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有处理器。有关更多详细信息，请参阅词汇表。

属性:
estimators_列表，包含 n_classes * (n_classes - 1) / 2 个估计器

用于预测的估计器。

classes_numpy 数组，形状为 [n_classes]

包含标签的数组。

n_classes_int

类别数量。

pairwise_indices_列表，长度为 len(estimators_)，或 None

训练估计器时使用的样本的索引。当 estimator 的 pairwise 标签为 False 时为 None。

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

OneVsRestClassifier

一对一多类别策略。

OutputCodeClassifier

（纠错）输出代码多类策略。

示例

>>> from sklearn.datasets import load_iris
>>> from sklearn.model_selection import train_test_split
>>> from sklearn.multiclass import OneVsOneClassifier
>>> from sklearn.svm import LinearSVC
>>> X, y = load_iris(return_X_y=True)
>>> X_train, X_test, y_train, y_test = train_test_split(
...     X, y, test_size=0.33, shuffle=True, random_state=0)
>>> clf = OneVsOneClassifier(
...     LinearSVC(random_state=0)).fit(X_train, y_train)
>>> clf.predict(X_test[:10])
array([2, 1, 0, 2, 0, 2, 0, 1, 1, 1])
decision_function(X)[来源]#

OneVsOneClassifier 的决策函数。

样本的决策值是通过将成对分类置信度级别的归一化总和添加到投票中来计算的，以在所有类别的投票相等导致平局时消歧决策值。

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

Input data.

返回:
Yarray-like，形状为 (n_samples, n_classes) 或 (n_samples,)

对最终估计器调用 decision_function 的结果。

版本 0.19 中已更改： 输出形状更改为 (n_samples,)，以符合 scikit-learn 的二元分类约定。

fit(X, y, **fit_params)[来源]#

拟合底层估计器。

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

数据。

yarray-like of shape (n_samples,)

多类别目标。

**fit_paramsdict

传递给每个子估计器的 estimator.fit 方法的参数。

1.4 版本新增： 仅当 enable_metadata_routing=True 时可用。有关更多详细信息，请参阅 元数据路由用户指南。

返回:
selfobject

拟合的底层估计器。

get_metadata_routing()[来源]#

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)[来源]#

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, **partial_fit_params)[来源]#

部分拟合底层估计器。

当内存不足以训练所有数据时应使用。可以分几次迭代传入数据块，第一次调用应包含所有目标变量的数组。

参数:
X{array-like, sparse matrix) of shape (n_samples, n_features)

数据。

yarray-like of shape (n_samples,)

多类别目标。

classesarray, shape (n_classes, )

所有 partial_fit 调用的类别。可以通过 np.unique(y_all) 获取，其中 y_all 是整个数据集的目标向量。此参数仅在 partial_fit 的第一次调用时需要，后续调用可以省略。

**partial_fit_paramsdict

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

1.4 版本新增： 仅当 enable_metadata_routing=True 时可用。有关更多详细信息，请参阅 元数据路由用户指南。

返回:
selfobject

部分拟合的底层估计器。

predict(X)[来源]#

估计 X 中每个样本的最佳类别标签。

这实现为 argmax(decision_function(X), axis=1)，它将返回通过估计器预测每个可能类对的结果而获得最多投票的类别的标签。

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

数据。

返回:
ynumpy 数组，形状为 [n_samples]

预测的多类别目标。

score(X, y, sample_weight=None)[来源]#

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)[来源]#

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 = '$UNCHANGED$') → OneVsOneClassifier[来源]#

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。

返回:
selfobject

更新后的对象。

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

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。