输出码分类器#

class sklearn.multiclass.OutputCodeClassifier(estimator, *, code_size=1.5, random_state=None, n_jobs=None)[source]#

(纠错)输出码多类策略。

基于输出码的策略在于使用二进制码（一个由 0 和 1 组成的数组）来表示每个类别。在拟合时，为码本中的每一位拟合一个二元分类器。在预测时，使用分类器将新点投影到类别空间中，并选择最接近该点的类别。这些策略的主要优点是用户可以控制使用的分类器数量，或者用于压缩模型 (0 < code_size < 1) 或使模型对错误更鲁棒 (code_size > 1)。更多详情请参阅文档。

更多信息请阅读 用户指南。

参数：
estimator估计器对象

一个实现了 fit 方法和 decision_function 或 predict_proba 方法之一的估计器对象。

code_size浮点数，默认为 1.5

用于创建码本的类别数量的百分比。介于 0 和 1 之间的数字需要的分类器少于一对其余策略。大于 1 的数字需要的分类器多于一对其余策略。

random_state整数，RandomState 实例，默认为 None

用于初始化码本的生成器。传递一个整数可在多次函数调用中获得可重复的输出。参见 词汇表。

n_jobs整数，默认为 None

用于计算的作业数量：多类问题并行计算。

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。

属性：
estimators_包含 int(n_classes * code_size) 个估计器的列表

用于预测的估计器。

classes_形状为 (n_classes,) 的 ndarray

包含标签的数组。

code_book_形状为 (n_classes, len(estimators_)) 的 ndarray

包含每个类别代码的二进制数组。

n_features_in_整数

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。

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。仅当底层估计器在拟合时公开此类属性时才定义。

在 1.0 版本中添加。

另请参见

一对多分类器

一对多多类策略。

一对一分类器

一对一多类策略。

参考文献

[1]

“通过纠错输出码解决多类学习问题”，Dietterich T.，Bakiri G.，人工智能研究杂志 2, 1995。

[2]

“错误编码方法和 PICT”，James G.，Hastie T.，计算与图形统计杂志 7, 1998。

[3]

“统计学习的要素”，Hastie T.，Tibshirani R.，Friedman J.，第 606 页（第二版）2008。

示例

>>> from sklearn.multiclass import OutputCodeClassifier
>>> from sklearn.ensemble import RandomForestClassifier
>>> from sklearn.datasets import make_classification
>>> X, y = make_classification(n_samples=100, n_features=4,
...                            n_informative=2, n_redundant=0,
...                            random_state=0, shuffle=False)
>>> clf = OutputCodeClassifier(
...     estimator=RandomForestClassifier(random_state=0),
...     random_state=0).fit(X, y)
>>> clf.predict([[0, 0, 0, 0]])
array([1])
fit(X, y, **fit_params)[source]#

拟合底层估计器。

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

数据。

y形状为 (n_samples,) 的数组型

多类目标。

**fit_params字典

传递给每个子估计器的 estimator.fit 方法的参数。

1.4 版本中添加： 仅当 enable_metadata_routing=True 时可用。更多详情请参阅 元数据路由用户指南。

返回值：
self对象

返回 self 的拟合实例。

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。

在 1.4 版本中添加。

返回值：
routingMetadataRouter

一个 MetadataRouter 封装路由信息。

get_params(deep=True)[source]#

获取此估计器的参数。

参数：
deep布尔值，默认为 True

如果为 True，则将返回此估计器和包含的作为估计器的子对象的参数。

返回值：
params字典

参数名称与其值的映射。

predict(X)[source]#

使用底层估计器预测多类目标。

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

数据。

返回值：
y形状为 (n_samples,) 的 ndarray

预测的多类目标。

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

返回给定测试数据和标签的平均准确率。

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：
Xarray-like of shape (n_samples, n_features)

测试样本。

yarray-like of shape (n_samples,) or (n_samples, n_outputs)

X 的真实标签。

sample_weightarray-like of shape (n_samples,), default=None

样本权重。

返回值：
scorefloat

self.predict(X) 相对于 y 的平均准确率。

set_params(**params)[source]#

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：
**paramsdict

估计器参数。

返回值：
selfestimator instance

估计器实例。

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

版本 1.3 中新增。

注意

仅当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，它没有效果。

参数：
sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

score 中 sample_weight 参数的元数据路由。

返回值：
self对象

已更新的对象。