OneVsRestClassifier#

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

一对多 (OvR) 多类策略。

也称为 one-vs-all (一对所有)，这种策略包括为每个类别拟合一个分类器。对于每个分类器，该类别都会与所有其他类别进行拟合。除了计算效率高（只需要 n_classes 个分类器）之外，这种方法的一个优点是可解释性。由于每个类别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。这是最常用的多类别分类策略，也是一个不错的默认选择。

OneVsRestClassifier 也可以用于多标签分类。要使用此功能，请在调用 .fit 时为目标 y 提供一个指示矩阵。换句话说，目标标签应格式化为二维二进制 (0/1) 矩阵，其中 [i, j] == 1 表示样本 i 中存在标签 j。此估计器使用二元相关方法执行多标签分类，该方法涉及为每个标签独立训练一个二元分类器。

在 用户指南 中阅读更多内容。

参数:
estimator估计器对象

一个实现 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，则回退到 predict_proba。当传递回归器时，使用 predict。

n_jobsint, default=None

用于计算的作业数量：n_classes 个一对所有问题是并行计算的。

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。

版本 0.20 中已更改： n_jobs 默认值从 1 更改为 None

verboseint, default=0

详细程度级别，如果非零，则会打印进度消息。低于 50 时，输出发送到 stderr。否则，输出发送到 stdout。消息的频率随详细程度级别的增加而增加，10 时报告所有迭代。有关更多详细信息，请参阅 joblib.Parallel。

版本 1.1 中新增。

属性:
estimators_list of n_classes estimators

用于预测的估计器。

classes_array, shape = [n_classes]

类别标签。

n_classes_int

类数量。

label_binarizer_LabelBinarizer object

用于将多类别标签转换为二元标签（反之亦然）的对象。

multilabel_boolean

这是多标签分类器吗。

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。

0.24 版本新增。

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。

1.0 版本新增。

另请参阅

OneVsOneClassifier

一对一多类策略。

OutputCodeClassifier

（纠错）输出代码多类策略。

sklearn.multioutput.MultiOutputClassifier

扩展估计器以进行多标签分类的替代方法。

sklearn.preprocessing.MultiLabelBinarizer

将可迭代对象转换为二进制指示矩阵。

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)[源代码]#

OneVsRestClassifier 的决策函数。

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

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

Input data.

返回:
Tarray-like of shape (n_samples, n_classes) or (n_samples,) for binary classification.

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)[源代码]#

拟合底层估计器。

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

数据。

y{array-like, sparse matrix} of shape (n_samples,) or (n_samples, n_classes)

多类别目标。指示矩阵开启多标签分类。

**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

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)[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, **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。可以在多次迭代中传递数据块。

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

数据。

y{array-like, sparse matrix} of shape (n_samples,) or (n_samples, n_classes)

多类别目标。指示矩阵开启多标签分类。

classesarray, shape (n_classes, )

所有 partial_fit 调用中的类。可以通过 np.unique(y_all) 获得，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:
Xshape 为 (n_samples, n_features) 的 {array-like, sparse matrix}

数据。

返回:
y{array-like, sparse matrix} of shape (n_samples,) or (n_samples, n_classes)

预测的多类别目标。

predict_proba(X)[源代码]#

概率估计。

所有类别的估计值是按类别标签排序的。

请注意，在多标签情况下，每个样本可以有任意数量的标签。此函数返回给定样本具有该标签的边际概率。例如，两个标签都以 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，返回矩阵的行之和为 1。

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

Input data.

返回:
Tarray-like of shape (n_samples, n_classes)

返回模型中每个类的样本概率，其中类的顺序与 self.classes_ 中的顺序相同。

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_partial_fit_request(*, classes: bool | None | str = '$UNCHANGED$') → OneVsRestClassifier[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。

返回:
selfobject

更新后的对象。

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