DummyClassifier

class sklearn.dummy.DummyClassifier(*, strategy='prior', random_state=None, constant=None)

DummyClassifier做出忽略输入特征的预测。

该分类器充当与其他更复杂分类器进行比较的简单基线。

使用 strategy 参数.

所有策略都会做出忽略作为 X 论点 fit 和 predict .然而，预测通常取决于在 y 参数传递给 fit .

请注意，“分层”和“均匀”策略会导致非确定性预测，可以通过设置 random_state 如果需要，参数。其他策略是自然确定的，一旦拟合，对于任何值，总是返回相同的常量预测。 X .

阅读更多的 User Guide .

Added in version 0.13.

参数:

strategy{“most_frequent”、“previous”、“分层”、“unique”、 “constant”}，默认=“previous”

用于生成预测的策略。

• “most_frequent”： predict 方法始终返回观察到的 y 参数传递给 fit .的 predict_proba 方法返回匹配的单热编码载体。

• “previous”： predict 方法始终返回观察到的 y 参数传递给 fit (like“most_frequent”）。 predict_proba 始终返回的经验阶级分布 y 也称为经验类别先验分布。

• “分层”： predict_proba 该方法从由经验类先验概率参数化的多项分布中随机抽样一热载体。的 predict 方法返回在的一热载体中概率为1的类标签 predict_proba .因此，两种方法的每个采样行都是独立且相同分布的。

• “uniform”：从观察到的唯一类列表中随机均匀生成预测， y ，即每个类别的概率相等。

• “constant”：始终预测用户提供的constant标签。这对于评估非多数类别的指标很有用。

  在 0.24 版本发生变更: 的默认值 strategy 0.24版本中已更改为“previous”。

random_stateint，RandomState实例或无，默认=无

控制随机性以生成预测时 strategy='stratified' 或 strategy='uniform' .传递int以获得跨多个函数调用的可重复输出。看到 Glossary .

constantint或字符串或类似数组的形状（n_outputs，），默认=无

“恒定”策略预测的显式恒定。此参数仅适用于“恒定”策略。

属性:

classes_形状的nd数组（n_classes，）或此类数组的列表

Unique class labels observed in y. For multi-output classification problems, this attribute is a list of arrays as each output has an independent set of possible classes.

n_classes_int或int列表

每个输出的标签数。

class_prior_形状的nd数组（n_classes，）或此类数组的列表

观察每个班级的频率 y .对于多输出分类问题，这是针对每个输出独立计算的。

n_features_in_int

期间看到的功能数量 fit .

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.

n_outputs_int

输出数量。

sparse_output_bool

如果从预测返回的数组是稀疏CSC格式，则为真。如果输入 y 以稀疏格式传递。

参见

DummyRegressor

使用简单规则进行预测的回归器。

示例

>>> import numpy as np
>>> from sklearn.dummy import DummyClassifier
>>> X = np.array([-1, 1, 1, 1])
>>> y = np.array([0, 1, 1, 1])
>>> dummy_clf = DummyClassifier(strategy="most_frequent")
>>> dummy_clf.fit(X, y)
DummyClassifier(strategy='most_frequent')
>>> dummy_clf.predict(X)
array([1, 1, 1, 1])
>>> dummy_clf.score(X, y)
0.75

fit(X, y, sample_weight=None)

适应基线分类器。

参数:

X形状类似阵列（n_samples，n_features）

训练数据。

y形状的类似阵列（n_samples，）或（n_samples，n_outputs）

目标值。

sample_weight形状类似数组（n_samples，），默认=无

样本重量。

返回:

self对象

返回实例本身。

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执行分类。

参数:

X形状类似阵列（n_samples，n_features）

测试数据。

返回:

y形状的类似阵列（n_samples，）或（n_samples，n_outputs）

X的预测目标值。

predict_log_proba(X)

返回测试向量X的对数概率估计值。

参数:

X{类阵列，长度或形状有限的对象}

训练数据。

返回:

P形状的ndarray（n_samples，n_classes）或此类数组的列表

返回模型中每个类的样本的对数概率，其中类针对每个输出按算术排序。

predict_proba(X)

测试载体X的返回概率估计。

参数:

X形状类似阵列（n_samples，n_features）

测试数据。

返回:

P形状的ndarray（n_samples，n_classes）或此类数组的列表

返回模型中每个类的样本概率，其中类按算术顺序排列。

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形状无或类似阵列（n_samples，n_features）

测试样本。传递无作为测试样本会产生与传递真实测试样本相同的结果，因为DummyClassifier独立于采样的观察而运行。

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

自我预测的平均准确性（X）w.r.t. y.

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → DummyClassifier

请求元数据传递给 fit 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 fit 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 fit .

• 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 fit .

返回:

self对象

更新的对象。

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 = '$UNCHANGED$') → DummyClassifier

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。