比利时匹配追求简历#

class sklearn.linear_model.OrthogonalMatchingPursuitCV(*, copy=True, fit_intercept=True, max_iter=None, cv=None, n_jobs=None, verbose=False)[源代码]#

交叉验证的垂直匹配追求模型（OMP）。

请参阅术语表条目 cross-validation estimator .

阅读更多的 User Guide .

参数:

copy布尔，默认=True

设计矩阵X是否必须被算法复制。只有当X已经被Forrester排序时，假值才有帮助，否则无论如何都会创建副本。

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）。

max_iterint，默认=无

要执行的迭代次数最多，因此要包含的功能最多。10%的 n_features 但如果有的话，至少5个。

cvint，交叉验证生成器或可迭代，默认=无

确定交叉验证拆分策略。简历的可能输入包括：

无，若要使用默认的5重交叉验证，
integer，用于指定折叠次数。
CV splitter ,
可迭代产出（训练、测试）分裂为索引数组。

对于integer/Non-输入， KFold 采用了

指 User Guide 这里可以使用的各种交叉验证策略。

在 0.22 版本发生变更: cv 如果无从3倍更改为5倍，则默认值。

n_jobsint，默认=无

交叉验证期间使用的处理器数量。 None 意思是1，除非在a中 joblib.parallel_backend 上下文 -1 意味着使用所有处理器。看到 Glossary 了解更多详细信息。

verbosebool或int，默认=False

设置详细金额。

属性:

intercept_形状的float或ndray（n_targets，）: Independent term in decision function.
coef_形状的nd数组（n_features，）或（n_targets，n_features）: 参数载体（问题公式中的w）。
n_nonzero_coefs_int: 在交叉验证折叠上给出最佳均方误差的非零系数的估计数量。
n_iter_int或类数组: 模型重新拟合的每个目标上的活动特征数量，其中最佳超参数是通过交叉验证所有折叠获得的。
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。
OrthogonalMatchingPursuit: 垂直匹配追求模型（OMP）。
LarsCV: 交叉验证的最小角回归模型。
LassoLarsCV: 交叉验证的Lasso模型与最小角度回归相匹配。
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。

注意到

在 fit ，一旦通过交叉验证找到非零系数的最佳数量，则使用整个训练集再次对模型进行匹配。

示例

>>> from sklearn.linear_model import OrthogonalMatchingPursuitCV
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(n_features=100, n_informative=10,
...                        noise=4, random_state=0)
>>> reg = OrthogonalMatchingPursuitCV(cv=5).fit(X, y)
>>> reg.score(X, y)
0.9991...
>>> reg.n_nonzero_coefs_
np.int64(10)
>>> reg.predict(X[:1,])
array([-78.3854...])

fit(X, y, **fit_params)[源代码]#

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，）: 目标值。如有必要，将被转换为X的d类型。
**fit_paramsdict: 要传递给基础拆分器的参数。

Added in version 1.4: 仅在以下情况下可用 enable_metadata_routing=True ，可以使用 sklearn.set_config(enable_metadata_routing=True) .看到 Metadata Routing User Guide 了解更多详细信息。

返回:

self对象: 返回自我的实例。

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。

Added in version 1.4.

返回:

routingMetadataRouter: A MetadataRouter 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]#

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)[源代码]#

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)[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 = '$UNCHANGED$') → OrthogonalMatchingPursuitCV[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。