Ctrl+K

FixedThresholdClassifier#

class sklearn.model_selection.FixedThresholdClassifier(estimator, *, threshold='auto', pos_label=None, response_method='auto')[源代码]#

手动设置决策阈值的二元分类器。

该分类器允许改变用于转换后验概率估计（即 predict_proba ）或决策分数（即输出 decision_function ）进入班级标签。

这里，阈值没有优化，并且设置为常数值。

阅读更多的 User Guide .

Added in version 1.5.

参数:
estimator估计器实例

二元分类器，无论是否适合，我们希望对其进行优化期间使用的决策阈值 predict .

threshold{“Auto”}或float，默认=“Auto”

转换后验概率估计（即 predict_proba ）或决策分数（即输出 decision_function ）进入班级标签。当 "auto" ，如果存在以下情况，则阈值设置为0.5 predict_proba 用作 response_method ，否则设置为0（即默认阈值 decision_function ).

pos_labelint、float、bool或string，默认值为无

积极类的标签。用于处理 response_method 法当 pos_label=None ，如果 y_true 处于 {-1, 1} 或 {0, 1} , pos_label 设置为1，否则将引发错误。

response_method{“Auto”，“decision_function”，“predicate_proba”}，默认=“Auto”

分类器的方法 estimator 对应于我们想要为其找到阈值的决策函数。它可以是：

  • 如果 "auto" ，它会尝试调用 "predict_proba" 或 "decision_function" 按照这个顺序。

  • 否则，其中之一 "predict_proba" 或 "decision_function" .如果分类器未实现该方法，则会引发错误。

属性:
estimator_估计器实例

预测时使用的匹配分类器。

classes_形状的nd数组（n_classes，）

班级标签。

n_features_in_int

期间看到的功能数量 fit .仅在基础估计器在适合时暴露此类属性时才定义。

feature_names_in_ ：nd形状数组 (n_features_in_ ,)nd数组形状（

期间看到的要素的名称 fit .仅在基础估计器在适合时暴露此类属性时才定义。

参见

sklearn.model_selection.TunedThresholdClassifierCV

基于某些指标并使用交叉验证对决策阈值进行后调整的分类器。

sklearn.calibration.CalibratedClassifierCV

估计校准概率。

示例

>>> from sklearn.datasets import make_classification
>>> from sklearn.linear_model import LogisticRegression
>>> from sklearn.metrics import confusion_matrix
>>> from sklearn.model_selection import FixedThresholdClassifier, train_test_split
>>> X, y = make_classification(
...     n_samples=1_000, weights=[0.9, 0.1], class_sep=0.8, random_state=42
... )
>>> X_train, X_test, y_train, y_test = train_test_split(
...     X, y, stratify=y, random_state=42
... )
>>> classifier = LogisticRegression(random_state=0).fit(X_train, y_train)
>>> print(confusion_matrix(y_test, classifier.predict(X_test)))
[[217   7]
 [ 19   7]]
>>> classifier_other_threshold = FixedThresholdClassifier(
...     classifier, threshold=0.1, response_method="predict_proba"
... ).fit(X_train, y_train)
>>> print(confusion_matrix(y_test, classifier_other_threshold.predict(X_test)))
[[184  40]
 [  6  20]]
decision_function(X)[源代码]#

Decision function for samples in X using the fitted estimator.

参数:
X形状（n_samples，n_features）的{类数组，稀疏矩阵}

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

返回:
decisions形状的nd数组（n_samples，）

决策函数计算匹配的估计量。

fit(X, y, **params)[源代码]#

匹配分类器。

参数:
X形状（n_samples，n_features）的{类数组，稀疏矩阵}

训练数据。

y形状类似阵列（n_samples，）

目标值。

**paramsdict

要传递给 fit 底层分类器的方法。

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。

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]#

预测新样本的目标。

参数:
X形状（n_samples，n_features）的{类数组，稀疏矩阵}

样品，经接受 estimator.predict .

返回:
class_labels形状的nd数组（n_samples，）

预测的班级。

predict_log_proba(X)[源代码]#

Predict logarithm class probabilities for X using the fitted estimator.

参数:
X形状（n_samples，n_features）的{类数组，稀疏矩阵}

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

返回:
log_probabilities形状的nd数组（n_samples，n_classes）

输入样本的对数类概率。

predict_proba(X)[源代码]#

Predict class probabilities for X using the fitted estimator.

参数:
X形状（n_samples，n_features）的{类数组，稀疏矩阵}

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

返回:
probabilities形状的nd数组（n_samples，n_classes）

输入样本的类概率。

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_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 = '$UNCHANGED$') → FixedThresholdClassifier[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。

On this page