QuadraticDiscriminantAnalysis

class sklearn.discriminant_analysis.QuadraticDiscriminantAnalysis(*, priors=None, reg_param=0.0, store_covariance=False, tol=0.0001)

二次鉴别分析。

具有二次决策边界的分类器，通过将类别条件密度与数据匹配并使用Bayes规则生成。

该模型适合每个类别的高斯密度。

Added in version 0.17.

资源总额进行了比较 QuadraticDiscriminantAnalysis 和 LinearDiscriminantAnalysis ，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:

priors形状类似数组（n_classes，），默认=无

班级前科。默认情况下，班级比例是从训练数据中推断的。

reg_paramfloat，默认=0.0

通过将S2转换为 S2 = (1 - reg_param) * S2 + reg_param * np.eye(n_features) ，其中S2对应于 scaling_ 给定类的属性。

store_covariance布尔，默认=假

如果为True，则显式计算类协方差矩阵并存储在 self.covariance_ 属性

Added in version 0.17.

tol浮动，默认=1.0e-4

应用一些正规化后，协方差矩阵的绝对阈值将被视为排名不足（请参阅 reg_param ）到每个 Sk 哪里 Sk 代表第k类的协方差矩阵。此参数不影响预测。如果协方差矩阵不是满排序，它会控制何时发出警告。

Added in version 0.17.

属性:

covariance_ndray的len n_classes列表 形状（n_features，n_features）

对于每个类别，给出使用该类别的样本估计的协方差矩阵。估计是公正的。只有在以下情况下才存在 store_covariance 是真的

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）。

rotations_len n_classes的列表形状nd数组（n_features，n_k）

对于每个类k，形状数组（n_features，n_k），其中 n_k = min(n_features, number of elements in class k) 它是高斯分布的旋转，即其主轴。它对应于 V ，来自的奇异值分解的特征量矩阵 Xk = U S Vt 哪里 Xk 是来自类别k的样本的中心矩阵。

scalings_len n_classes的列表形状的nd数组（n_k，）

对于每个类，包含沿其主轴的高斯分布的缩放，即旋转坐标系中的方差。它对应于 S^2 / (n_samples - 1) ，在哪里 S 是来自的奇异值的对角矩阵 Xk ，在哪里 Xk 是来自类别k的样本的中心矩阵。

classes_形状的nd数组（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

LinearDiscriminantAnalysis

线性辨别分析。

示例

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

decision_function(X)

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:

C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)

根据给定的训练数据和参数对模型进行匹配。

在 0.19 版本发生变更: store_covariances 已移动到主构造函数， store_covariance .

在 0.19 版本发生变更: tol 已移动到主构造器。

参数:

X形状类似阵列（n_samples，n_features）

训练载体，在哪里 n_samples 是样本数量和 n_features 是功能的数量。

y形状类似阵列（n_samples，）

目标值（integer）。

返回:

self对象

拟合估计量。

get_metadata_routing()

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)

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)

对测试载体X数组执行分类。

返回X中每个样本的预测类C。

参数:

X形状类似阵列（n_samples，n_features）

要评分的向量，其中 n_samples 是样本数量和 n_features 是功能的数量。

返回:

C形状的nd数组（n_samples，）

估计的可能性。

predict_log_proba(X)

返回分类后验概率的日志。

参数:

X形状类似阵列（n_samples，n_features）

样本/测试载体数组。

返回:

C形状的nd数组（n_samples，n_classes）

每个类别的分类后验log概率。

predict_proba(X)

返回分类的后验概率。

参数:

X形状类似阵列（n_samples，n_features）

样本/测试载体数组。

返回:

C形状的nd数组（n_samples，n_classes）

每个类别的分类后验概率。

score(X, y, sample_weight=None)

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_params(**params)

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 = '$UNCHANGED$') → QuadraticDiscriminantAnalysis

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。