调谐格式保存分类器CV#
- class sklearn.model_selection.TunedThresholdClassifierCV(estimator, *, scoring='balanced_accuracy', response_method='auto', thresholds=100, cv=None, refit=True, n_jobs=None, random_state=None, store_cv_results=False)[源代码]#
使用交叉验证对决策阈值进行后调整的分类器。
该估计器后调整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。调整是通过优化二进制指标来完成的，该指标可能受到另一个指标的约束。阅读更多的 User Guide .
Added in version 1.5.
- 参数:
- estimator估计器实例
我们希望优化期间使用的决策阈值的分类器，无论是否适合
predict.- scoring字符串或可调用，默认=“平衡_准确性”
要优化的客观度量。可以是以下之一：
与二进制分类的评分函数关联的字符串（请参阅 的 scoring 参数：定义模型评估规则 );
使用创建的得分者可调用对象
make_scorer;
- 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"，它将尝试为每个分类器调用，"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。
- thresholdsint或类似数组，默认值=100
离散化分类器输出时使用的决策阈值数量
method.传递一个array-like来手动指定要使用的阈值。- cvint、float、交叉验证生成器、可迭代或“prefit”，默认=无
确定训练分类器的交叉验证拆分策略。简历的可能输入包括：
None，使用默认的5重分层K重交叉验证;一个正值，用于指定分层k折叠中的折叠数;
一个浮点数，用于指定单个洗牌拆分。浮点数应该位于（0，1）中，并代表验证集的大小;
用作交叉验证生成器的对象;
可迭代的屈服列车，测试分裂;
"prefit"，以绕过交叉验证。
指 User Guide 这里可以使用的各种交叉验证策略。
警告
使用
cv="prefit"并传递相同的数据集进行拟合estimator并且调整截止点会发生不希望的过配合。你可以参考 TunedThresholdClassifierCV_no_cv 举个例子。此选项仅应在套件用于适合时使用
estimator不同于用于调整截止点的值（通过调用TunedThresholdClassifierCV.fit).- refit布尔，默认=True
一旦找到决策阈值，是否在整个训练集中重新调整分类器。请注意，强制
refit=False在交叉验证时，有不止一次拆分将引发错误。同样，refit=True结合cv="prefit"会引发错误。- n_jobsint，默认=无
并行运行的作业数。当
cv代表交叉验证策略，每个数据拆分的匹配和评分是并行完成的。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。- random_stateint，RandomState实例或无，默认=无
控制交叉验证的随机性
cv是一个漂浮物。看到 Glossary .- store_cv_results布尔，默认=假
是否存储交叉验证过程中计算的所有分数和阈值。
- 属性:
- estimator_估计器实例
预测时使用的匹配分类器。
- best_threshold_浮子
新的决策阈值。
- best_score_浮动或无
客观指标的最佳得分，评估为
best_threshold_.- cv_results_法令或无
A dictionary containing the scores and thresholds computed during the cross-validation process. Only exist if
store_cv_results=True. The keys are"thresholds"and"scores".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
示例
>>> from sklearn.datasets import make_classification >>> from sklearn.ensemble import RandomForestClassifier >>> from sklearn.metrics import classification_report >>> from sklearn.model_selection import TunedThresholdClassifierCV, 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 = RandomForestClassifier(random_state=0).fit(X_train, y_train) >>> print(classification_report(y_test, classifier.predict(X_test))) precision recall f1-score support 0 0.94 0.99 0.96 224 1 0.80 0.46 0.59 26 accuracy 0.93 250 macro avg 0.87 0.72 0.77 250 weighted avg 0.93 0.93 0.92 250 >>> classifier_tuned = TunedThresholdClassifierCV( ... classifier, scoring="balanced_accuracy" ... ).fit(X_train, y_train) >>> print( ... f"Cut-off point found at {classifier_tuned.best_threshold_:.3f}" ... ) Cut-off point found at 0.342 >>> print(classification_report(y_test, classifier_tuned.predict(X_test))) precision recall f1-score support 0 0.96 0.95 0.96 224 1 0.61 0.65 0.63 26 accuracy 0.92 250 macro avg 0.78 0.80 0.79 250 weighted avg 0.92 0.92 0.92 250
- decision_function(X)[源代码]#
Decision function for samples in
Xusing 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
Xusing 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
Xusing 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 = '$UNCHANGED$') TunedThresholdClassifierCV[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。