OrthogonalMatchingPursuit

class sklearn.linear_model.OrthogonalMatchingPursuit(*, n_nonzero_coefs=None, tol=None, fit_intercept=True, precompute='auto')

垂直匹配追求模型（OMP）。

阅读更多的 User Guide .

参数:

n_nonzero_coefsint，默认=无

解决方案中所需的非零条目数量。如果被忽视 tol 已设置。当 None 和 tol 也是 None ，此值可以设置为 n_features 或1，以较大者为准。

tolfloat，默认=无

剩余的最大平方规范。如果不是无，则重写n_非零_coefs。

fit_intercept布尔，默认=True

是否计算此模型的拦截。如果设置为假，则计算中不会使用任何拦截（即数据预计居中）。

precompute“Auto”或布尔，默认=“Auto”

是否使用预先计算的Gram和Xy矩阵来加速计算。提高性能时 n_targets 或 n_samples 非常大。请注意，如果您已经拥有此类矩阵，则可以将它们直接传递给fit方法。

属性:

coef_形状的nd数组（n_features，）或（n_targets，n_features）

参数vector（公式中的w）。

intercept_形状的float或ndray（n_targets，）

Independent term in decision function.

n_iter_int或类数组

每个目标上的活动功能数量。

n_nonzero_coefs_int或无

解决方案中非零系数的数量或 None 当 tol 已设置。如果 n_nonzero_coefs 没有， tol 是无此值设置为10% n_features 或1，以较大者为准。

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

orthogonal_mp

解决n_targets的垂直匹配追踪问题。

orthogonal_mp_gram

仅使用Gram矩阵X.T来解决n_targets的Orthogonal Matching Pursuit问题 * X and the product X.T * y.

lars_path

使用LARS算法计算最小角度回归或Lasso路径。

Lars

最小角度回归模型，又名拉尔。

LassoLars

Lasso模型与最小角度回归（又名最小角度回归）进行匹配拉斯。

sklearn.decomposition.sparse_encode

通用稀疏编码。结果的每一列都是Lasso问题的解决方案。

OrthogonalMatchingPursuitCV

交叉验证的垂直匹配追求模型（OMP）。

注意到

在G.马拉特，Z.张文，基于时频字典的匹配追踪，IEEE信号处理学报，第41卷，第12期。（1993年12月），pp. 3397-3415.（https：//www.di.ens.fr/Mallat/papiers/MallatPursuit93.pdf）

该实现基于Rubinstein，R.，齐布列夫斯基，M. Elad，M.，使用批量垂直匹配追踪技术报告有效实现K-DID算法- CS Technion，2008年4月。https://www.cs.technion.ac.il/~ronrubin/Publications/KSVD-OMP-v2.pdf

示例

>>> from sklearn.linear_model import OrthogonalMatchingPursuit
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(noise=4, random_state=0)
>>> reg = OrthogonalMatchingPursuit().fit(X, y)
>>> reg.score(X, y)
0.9991...
>>> reg.predict(X[:1,])
array([-78.3854...])

fit(X, y)

使用X，y作为训练数据来匹配模型。

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，）或（n_samples，n_targets）

目标值。如有必要，将被转换为X的d类型。

返回:

self对象

返回自我的实例。

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)

Predict using the linear model.

参数:

X类阵列或稀疏矩阵，形状（n_samples，n_features）

样品

返回:

C数组，形状（n_samples，）

返回预测值。

score(X, y, sample_weight=None)

返回预测的决定系数。

决定系数 \(R^2\) 被定义为 \((1 - \frac{u}{v})\) ，在哪里 \(u\) 是残差平方和 ((y_true - y_pred)** 2).sum() 和 \(v\) 是平方总和 ((y_true - y_true.mean()) ** 2).sum() .最好的可能分数是1.0，并且可以是负的（因为模型可以任意更差）。始终预测的期望值的恒定模型 y 如果不考虑输入功能，就会得到 \(R^2\) 评分0.0。

参数:

X形状类似阵列（n_samples，n_features）

Test samples. For some estimators this may be a precomputed kernel matrix or a list of generic objects instead with shape (n_samples, n_samples_fitted), where n_samples_fitted is the number of samples used in the fitting for the estimator.

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

真正的价值观 X .

sample_weight形状类似数组（n_samples，），默认=无

样本重量。

返回:

score浮子

\(R^2\) 的 self.predict(X) w.r.t. y .

注意到

的 \(R^2\) 呼叫时使用的分数 score 在回归器上使用 multioutput='uniform_average' 从0.23版本开始，与默认值保持一致 r2_score .这影响了 score 所有多输出回归器的方法（除了 MultiOutputRegressor ).

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 = '$UNCHANGED$') → OrthogonalMatchingPursuit

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。