LinearDiscriminantAnalysis#

class sklearn.discriminant_analysis.LinearDiscriminantAnalysis(solver='svd', shrinkage=None, priors=None, n_components=None, store_covariance=False, tol=0.0001, covariance_estimator=None)[源代码]#

线性辨别分析。

具有线性决策边界的分类器，通过将类别条件密度与数据匹配并使用Bayes规则生成。

该模型将高斯密度拟合到每个类别，假设所有类别共享相同的协方差矩阵。

通过使用 transform 法

Added in version 0.17.

资源总额进行了比较 LinearDiscriminantAnalysis 和 QuadraticDiscriminantAnalysis ，看到了具有协方差椭圆体的线性和二次鉴别分析 .

阅读更多的 User Guide .

参数:

solver' svd '，'，'，'，默认=' svd '

要使用的求解器、可能的值：

“svd”：奇异值分解（默认）。不计算协方差矩阵，因此建议对具有大量特征的数据使用此求解器。
'lsqr'：最小二乘解。可以与收缩或自定义协方差估计器组合。
“特征”：特征值分解。可以与收缩或自定义协方差估计器组合。

在 1.2 版本发生变更: solver="svd" 现在具有实验性的数组API支持。看到 Array API User Guide 了解更多详细信息。

shrinkage“Auto”或float，默认=无

收缩参数，可能的值：

无：无收缩（默认）。
'auto'：使用Ledoit-Wolf引理的自动收缩。
浮动在0和1之间：固定收缩参数。

如果没有，这应该留给无 covariance_estimator 采用了请注意，收缩仅适用于“lsqur”和“eigen”解算器。

有关使用示例，请参阅用于分类的正态、Ledoit-Wolf和OAS线性鉴别分析 .

priors形状类似数组（n_classes，），默认=无

班级先验概率。默认情况下，班级比例是从训练数据中推断的。

n_componentsint，默认=无

用于降维的组件数量（<= min（n_classes - 1，n_features））。如果无，将设置为min（n_classes - 1，n_features）。此参数仅影响 transform 法

有关使用示例，请参阅 Iris数据集LDA和PCA 2D投影的比较 .

store_covariance布尔，默认=假

如果为True，则当求解器为“svd”时显式计算加权类内协方差矩阵。始终为其他求解器计算和存储矩阵。

Added in version 0.17.

tol浮动，默认=1.0e-4

X的奇异值被视为显著的绝对阈值，用于估计X的秩。奇异值不显著的维将被丢弃。仅在求解器为“svd”时使用。

Added in version 0.17.

covariance_estimator协方差估计器，默认=无

如果不是没有， covariance_estimator 用于估计协方差矩阵，而不是依赖于经验协方差估计器（可能会收缩）。对象应该有适合的方法和 covariance_ 属性，例如中的估计器 sklearn.covariance .如果无，则收缩参数决定估计值。

如果没有，这应该留给无 shrinkage 采用了注意 covariance_estimator 仅适用于“lSQr”和“eigen”求解器。

Added in version 0.24.

属性:

coef_形状的nd数组（n_features，）或（n_classes，n_features）: 权重载体。
intercept_形状的nd数组（n_classes，）: 拦截项。
covariance_形状类似阵列（n_features，n_features）: 加权类内协方差矩阵。它对应于 sum_k prior_k * C_k 哪里 C_k 是班级样本的协方差矩阵 k .的 C_k 使用（可能缩小的）有偏差的协方差估计量来估计。如果求解器为“svd”，则仅在以下情况下存在 store_covariance 是真的
explained_variance_ratio_形状的nd数组（n_components，）: 每个选定成分解释的方差百分比。如果 n_components 未设置，则存储所有分量，并且解释的方差之和等于1.0。仅在使用特征或svd求解器时可用。
means_形状类似阵列（n_classes，n_features）: 班级意味着。
priors_形状类似阵列（n_classes，）: 班级先验（总和为1）。
scalings_形状类数组（rank，n_classes - 1）: 类中心跨越的空间中要素的缩放。仅适用于“svd”和“eigen”求解器。
xbar_形状类似阵列（n_features，）: 总体平均值。仅当求解器为“svd”时才出现。
classes_形状类似阵列（n_classes，）: 独特的班级标签。
n_features_in_int: 期间看到的功能数量 fit .

Added in version 0.24.
feature_names_in_ ：nd形状数组 (n_features_in_ ,)nd数组形状（: Names of features seen during fit. Defined only when X has feature names that are all strings.

Added in version 1.0.

参见

QuadraticDiscriminantAnalysis: 二次鉴别分析。

示例

>>> import numpy as np
>>> from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
>>> X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])
>>> y = np.array([1, 1, 1, 2, 2, 2])
>>> clf = LinearDiscriminantAnalysis()
>>> clf.fit(X, y)
LinearDiscriminantAnalysis()
>>> print(clf.predict([[-0.8, -1]]))
[1]

decision_function(X)[源代码]#

将决策函数应用于样本数组。

决策函数等于（直到一个恒定因子）模型的log后验，即 log p(y = k | x) .在二元分类设置中，这对应于 log p(y = 1 | x) - log p(y = 0 | x) .看到 LDA和QDA分类器的数学公式 .

参数:

X形状类似阵列（n_samples，n_features）: 样本数组（测试载体）。

返回:

y_scores形状的ndarray（n_samples，）或（n_samples，n_classes）: 每个样本与每个类别相关的决策函数值。在两类情况下，形状为 (n_samples,) ，给出正类的对数似然比。

fit(X, y)[源代码]#

适应线性鉴别分析模型。

在 0.19 版本发生变更: store_covariance 和 tol 已移动到主构造器。

参数:

X形状类似阵列（n_samples，n_features）: 训练数据。
y形状类似阵列（n_samples，）: 目标值。

返回:

self对象: 拟合估计量。

fit_transform(X, y=None, **fit_params)[源代码]#

适应数据，然后对其进行转换。

适合变压器 X 和 y 具有可选参数 fit_params 并返回的转换版本 X .

参数:

X形状类似阵列（n_samples，n_features）: 输入样本。
y形状为（n_samples，）或（n_samples，n_outputs）的阵列状，默认值=无: 目标值（无监督转换）。
**fit_paramsdict: 其他适合参数。

返回:

X_newndray形状数组（n_samples，n_features_new）: 变形的数组。

get_feature_names_out(input_features=None)[源代码]#

获取用于转换的输出要素名称。

输出的功能名称将以大写的类别名称为开头。例如，如果Transformer输出3个特征，则输出的特征名称为： ["class_name0", "class_name1", "class_name2"] .

参数:

input_features字符串或无的类数组，默认=无: 仅用于通过中看到的名称验证要素名称 fit .

返回:

feature_names_out字符串对象的nd数组: 转换的功能名称。

get_metadata_routing()[源代码]#

获取此对象的元数据路由。

请检查 User Guide 关于路由机制如何工作。

返回:

routingMetadataRequest: A MetadataRequest 封装路由信息。

get_params(deep=True)[源代码]#

获取此估计器的参数。

参数:

deep布尔，默认=True: 如果为True，将返回此估计量和包含的作为估计量的子对象的参数。

返回:

paramsdict: 参数名称映射到其值。

predict(X)[源代码]#

预测X中样本的类别标签。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}: 我们想要获取预测的数据矩阵。

返回:

y_pred形状的nd数组（n_samples，）: 包含每个样本的类标签的载体。

predict_log_proba(X)[源代码]#

估计日志概率。

参数:

X形状类似阵列（n_samples，n_features）: 输入数据。

返回:

C形状的nd数组（n_samples，n_classes）: 估计的日志概率。

predict_proba(X)[源代码]#

估计可能性。

参数:

X形状类似阵列（n_samples，n_features）: 输入数据。

返回:

C形状的nd数组（n_samples，n_classes）: 估计的可能性。

score(X, y, sample_weight=None)[源代码]#

返回给定测试数据和标签的平均准确度。

在多标签分类中，这是子集准确度，这是一个苛刻的指标，因为您需要为每个样本正确预测每个标签集。

参数:

X形状类似阵列（n_samples，n_features）: 测试样本。
y形状的类似阵列（n_samples，）或（n_samples，n_outputs）: 真正的标签 X .
sample_weight形状类似数组（n_samples，），默认=无: 样本重量。

返回:

score浮子: 平均准确度 self.predict(X) w.r.t. y .

set_output(*, transform=None)[源代码]#

设置输出容器。

看到介绍 set_output API 了解如何使用API的示例。

参数:

transform{“默认”，“pandas”，“polars”}，默认=无

配置输出 transform 和 fit_transform .

"default" ：Transformer的默认输出格式
"pandas" ：DataFrame输出
"polars" ：两极输出
None ：转换配置不变

Added in version 1.4: "polars" 添加了选项。

返回:

self估计器实例: 估计实例。

set_params(**params)[源代码]#

设置此估计器的参数。

该方法适用于简单估计器以及嵌套对象（例如 Pipeline ).后者具有以下形式的参数 <component>__<parameter> 以便可以更新嵌套对象的每个组件。

参数:

**paramsdict: 估计参数。

返回:

self估计器实例: 估计实例。

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

请求元数据传递给 score 法

请注意，此方法仅适用于以下情况 enable_metadata_routing=True （见 sklearn.set_config ).请参阅 User Guide 关于路由机制如何工作。

The options for each parameter are:

True ：元数据被请求并传递给 score 如果提供的话。如果未提供元数据，则会忽略请求。
False ：未请求元数据，元估计器不会将其传递给 score .
None ：不请求元数据，如果用户提供元估计器，则元估计器将引发错误。
str ：元数据应通过此给定别名而不是原始名称传递给元估计器。

默认 (sklearn.utils.metadata_routing.UNCHANGED ）保留现有请求。这允许您更改某些参数的请求，而不是其他参数。

Added in version 1.3.

备注

只有当该估计器用作元估计器的子估计器时，该方法才相关，例如在 Pipeline .否则就没有效果了。

参数:

sample_weight字符串、真、假或无，默认=sklearn.utils. metalics_Routing.UNChanged: 元数据路由 sample_weight 参数 score .

返回:

self对象: 更新的对象。

transform(X)[源代码]#

项目数据以最大限度地提高班级分离。

参数:

X形状类似阵列（n_samples，n_features）: 输入数据。

返回:

X_newndarray of shape（n_samples，n_components）或（n_samples，min（rank，n_components））: 转换的数据。对于“svd”求解器，形状是（n_samples，min（rank，n_components））。