一对其余分类器#

class sklearn.multiclass.OneVsRestClassifier(estimator, *, n_jobs=None, verbose=0)[source]#

一对其余(OvR)多类策略。

也称为一对多，此策略包括为每个类别拟合一个分类器。对于每个分类器，该类别都针对所有其他类别进行拟合。除了计算效率（只需要n_classes个分类器）之外，这种方法的另一个优点是其可解释性。由于每个类别都只由一个分类器表示，因此可以通过检查其对应的分类器来了解该类别。这是多类分类中最常用的策略，也是一个合理的默认选择。

OneVsRestClassifier 也可用于多标签分类。要使用此功能，请在调用 .fit 时为目标 y 提供指示矩阵。换句话说，目标标签应格式化为一个二维二元 (0/1) 矩阵，其中 [i, j] == 1 表示样本 i 中存在标签 j。此估计器使用二元关联方法执行多标签分类，这涉及为每个标签独立训练一个二元分类器。

更多信息请参见 用户指南。

参数：
estimator估计器对象

实现 fit 的回归器或分类器。当传递分类器时，将优先使用 decision_function，如果不可用，则将回退到 predict_proba。当传递回归器时，使用 predict。

n_jobsint，默认为 None

用于计算的作业数：n_classes 个一对多问题并行计算。

None 表示 1，除非在 joblib.parallel_backend 上下文中。-1 表示使用所有处理器。更多详情请参见 词汇表。

0.20 版本中的变更： n_jobs 默认值从 1 更改为 None

verboseint，默认为 0

详细程度，如果非零，则打印进度消息。低于 50 时，输出发送到 stderr。否则，输出发送到 stdout。消息的频率随着详细程度的增加而增加，在 10 时报告所有迭代。更多详情请参见 joblib.Parallel。

1.1 版本中新增。

属性：
estimators_包含 n_classes 个估计器的列表

用于预测的估计器。

classes_数组，形状 = [n_classes]

类别标签。

n_classes_int

类别数。

label_binarizer_LabelBinarizer 对象

用于将多类别标签转换为二元标签，反之亦然的对象。

multilabel_布尔值

这是否为多标签分类器。

n_features_in_int

在 fit 期间看到的特征数量。仅当底层估计器在拟合时公开此类属性时才定义。

0.24 版本中新增。

feature_names_in_形状为 (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 版本中新增。

另请参见

一对一分类器

一对一多类别策略。

输出代码分类器

(纠错) 输出码多类别策略。

sklearn.multioutput.MultiOutputClassifier

扩展多标签分类估计器的另一种方法。

sklearn.preprocessing.MultiLabelBinarizer

将可迭代的可迭代对象转换为二元指示矩阵。

示例

>>> import numpy as np
>>> from sklearn.multiclass import OneVsRestClassifier
>>> from sklearn.svm import SVC
>>> X = np.array([
...     [10, 10],
...     [8, 10],
...     [-5, 5.5],
...     [-5.4, 5.5],
...     [-20, -20],
...     [-15, -20]
... ])
>>> y = np.array([0, 0, 1, 1, 2, 2])
>>> clf = OneVsRestClassifier(SVC()).fit(X, y)
>>> clf.predict([[-19, -20], [9, 9], [-5, 5]])
array([2, 0, 1])
decision_function(X)[source]#

OneVsRestClassifier 的决策函数。

返回每个样本到每个类别的决策边界的距离。这只能与实现 decision_function 方法的估计器一起使用。

参数：
X形状为 (n_samples, n_features) 的类数组

输入数据。

返回：
T形状为 (n_samples, n_classes) 的类数组，或对于二元分类为 (n_samples,)。

在最终估计器上调用 decision_function 的结果。

0.19 版本中的变更： 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)[source]#

拟合底层估计器。

参数：
X形状为 (n_samples, n_features) 的 {类数组，稀疏矩阵}

数据。

y形状为 (n_samples,) 或 (n_samples, n_classes) 的 {类数组，稀疏矩阵}

多类别目标。指示矩阵打开多标签分类。

**fit_paramsdict

传递给每个子估计器的 estimator.fit 方法的参数。

版本 1.4 中新增： 仅当 enable_metadata_routing=True 时可用。更多详情请参见 元数据路由用户指南。

返回：
self对象

已拟合估计器的实例。

get_metadata_routing()[源代码]#

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。

版本 1.4 中新增。

返回：
routingMetadataRouter

一个 MetadataRouter，封装了路由信息。

get_params(deep=True)[源代码]#

获取此估计器的参数。

参数：
deep布尔值，默认为 True

如果为 True，则将返回此估计器及其包含的作为估计器的子对象的参数。

返回：
params字典

参数名称与其值的映射。

属性 multilabel_#

这是否为多标签分类器。

属性 n_classes_#

类别数。

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

部分拟合底层估计器。

当内存不足以训练所有数据时，应使用此方法。可以分批次传递数据。

参数：
X形状为 (n_samples, n_features) 的 {类数组，稀疏矩阵}

数据。

y形状为 (n_samples,) 或 (n_samples, n_classes) 的 {类数组，稀疏矩阵}

多类别目标。指示矩阵打开多标签分类。

classes数组，形状为 (n_classes, )

对所有对 `partial_fit` 的调用来说的类别。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。此参数仅在第一次调用 `partial_fit` 时需要，在后续调用中可以省略。

**partial_fit_params字典

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

版本 1.4 中新增： 仅当 enable_metadata_routing=True 时可用。更多详情请参见 元数据路由用户指南。

返回：
self对象

部分拟合估计器的实例。

predict(X)[源代码]#

使用底层估计器预测多类别目标。

参数：
X形状为 (n_samples, n_features) 的 {类数组，稀疏矩阵}

数据。

返回：
y形状为 (n_samples,) 或 (n_samples, n_classes) 的 {类数组，稀疏矩阵}

预测的多类别目标。

predict_proba(X)[源代码]#

概率估计。

所有类别的返回估计值按类别的标签排序。

请注意，在多标签情况下，每个样本可以具有任意数量的标签。这返回给定样本具有该标签的边缘概率。例如，两个标签都具有 90% 的概率应用于给定样本是完全一致的。

在单标签多类别情况下，返回矩阵的行总和为 1。

参数：
X形状为 (n_samples, n_features) 的 {类数组，稀疏矩阵}

输入数据。

返回：
T数组，形状为 (n_samples, n_classes)

返回模型中每个类别的样本概率，其中类别按 self.classes_ 中的顺序排列。

score(X, y, sample_weight=None)[源代码]#

返回给定测试数据和标签上的平均准确率。

在多标签分类中，这是子集准确率，这是一个严格的指标，因为您要求每个样本的每个标签集都必须被正确预测。

参数：
X形状为 (n_samples, n_features) 的类数组

测试样本。

y数组，形状为 (n_samples,) 或 (n_samples, n_outputs)

针对 X 的真实标签。

sample_weight数组，形状为 (n_samples,)，默认为 None

样本权重。

返回：
score浮点数

self.predict(X) 关于 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（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：
self估计器实例

估计器实例。

set_partial_fit_request(*, classes: bool | None | str = '$UNCHANGED$') → OneVsRestClassifier[source]#

请求传递给partial_fit方法的元数据。

请注意，只有在enable_metadata_routing=True时（参见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partial_fit。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：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更改其他参数的请求。

1.3版本中新增。

注意

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

参数：
classesstr, True, False, 或 None，默认为sklearn.utils.metadata_routing.UNCHANGED

用于partial_fit中classes参数的元数据路由。

返回：
self对象

更新后的对象。

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

请求传递给score方法的元数据。

请注意，只有在enable_metadata_routing=True时（参见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更改其他参数的请求。

1.3版本中新增。

注意

仅当将此估计器用作元估计器的子估计器（例如，在Pipeline中使用）时，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

用于score中sample_weight参数的元数据路由。

返回：
self对象

更新后的对象。