OneVsRestClassifier#

class sklearn.multiclass.OneVsRestClassifier(estimator, *, n_jobs=None, verbose=0)[源代码]#

一对其余（OvR）多类策略。

该策略也称为“一对所有”，包括为每个类匹配一个分类器。对于每个分类器，该类别与所有其他类别进行拟合。除了计算效率（仅 n_classes 需要分类器），这种方法的一个优点是它的可解释性。由于每个类仅由一个分类器表示，因此可以通过检查其对应的分类器来获得关于类的知识。这是多类分类最常用的策略，也是一个公平的默认选择。

OneVsRestClassifier还可用于多标签分类。要使用此功能，请为目标提供指标矩阵 y 打电话时 .fit .换句话说，目标标签应格式化为2D二进制（0/1）矩阵，其中 [i, j] == 1表示样本i中存在标记j。该估计器使用二进制相关性方法来执行多标签分类，这涉及为每个标签独立地训练一个二进制分类器。

阅读更多的 User Guide .

参数:

estimator估计器对象

实现的回归量或分类器 fit .当通过分类器时， decision_function 将优先使用，并将退回到 predict_proba 如果不可用。当回归量通过时， predict 采用了

n_jobsint，默认=无

用于计算的作业数量： n_classes 并行计算一对休息问题。

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。

在 0.20 版本发生变更: n_jobs 默认值从1更改为无

verboseint，默认=0

详细程度（如果非零）将打印进度消息。低于50，输出被发送到stderr。否则，输出将被发送到stdout。消息的频率随着冗长级别的增加而增加，所有迭代报告为10。看到 joblib.Parallel 了解更多详细信息。

Added in version 1.1.

属性:

estimators_ ：列表 n_classes 估计列表: 用于预测的估计器。
classes_ ：数组，形状= [n_classes]数组，形状= [: 班级标签。
n_classes_int: 班级数量。
label_binarizer_LabelBinarizer对象: 对象，用于将多类标签转换为二进制标签，反之亦然。
multilabel_布尔: 这是否是多标签分类器。
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。

Added in version 0.24.
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。

Added in version 1.0.

参见

OneVsOneClassifier: 一对一的多类策略。
OutputCodeClassifier: （错误更正）输出代码多类策略。
sklearn.multioutput.MultiOutputClassifier: 扩展多标签分类估计器的替代方法。
sklearn.preprocessing.MultiLabelBinarizer: 将可迭代项的可迭代项转换为二进制指标矩阵。

示例

>>> import numpy as np
>>> from sklearn.multiclass import OneVsRestClassifier
>>> from sklearn.svm import SVC
>>> X = np.array([
...     [10, 10],
...     [8, 10],
...     [-5, 5.5],
...     [-5.4, 5.5],
...     [-20, -20],
...     [-15, -20]
... ])
>>> y = np.array([0, 0, 1, 1, 2, 2])
>>> clf = OneVsRestClassifier(SVC()).fit(X, y)
>>> clf.predict([[-19, -20], [9, 9], [-5, 5]])
array([2, 0, 1])

decision_function(X)[源代码]#

OneVsRestClassifier的决策功能。

返回每个样本与每个类别的决策边界的距离。这只能与实现 decision_function 法

参数:

X形状类似阵列（n_samples，n_features）: 输入数据。

返回:

T形状类似于数组（n_samples，n_classes）或（n_samples，）二元分类。: 呼叫结果 decision_function 关于最终估计器。

在 0.19 版本发生变更: 输出形状更改为 (n_samples,) 符合二进制分类的scikit-learn惯例。

fit(X, y, **fit_params)[源代码]#

适合基础估计值。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}: 数据
y形状（n_samples，）或（n_samples，n_classes）的{类数组，稀疏矩阵}: Multi-class targets. An indicator matrix turns on multilabel classification.
**fit_paramsdict: 参数传递给 estimator.fit 每个子估计器的方法。

Added in version 1.4: 仅在以下情况下可用 enable_metadata_routing=True .看到 Metadata Routing User Guide 了解更多详细信息。

返回:

self对象: 匹配估计量的实例。

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。

partial_fit(X, y, classes=None, **partial_fit_params)[源代码]#

部分适合基本估计量。

当内存无法训练所有数据时，应使用。数据块可以通过多次迭代传递。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}: 数据
y形状（n_samples，）或（n_samples，n_classes）的{类数组，稀疏矩阵}: Multi-class targets. An indicator matrix turns on multilabel classification.
classes数组，形状（n_classes，）: 所有partial_fit调用的类。人士可利用 np.unique(y_all) 其中y_all是整个数据集的目标向量。该参数仅在partial_fit的第一次调用中需要，并且在后续调用中可以省略。
**partial_fit_paramsdict: 参数传递给 estimator.partial_fit 每个子估计器的方法。

Added in version 1.4: 仅在以下情况下可用 enable_metadata_routing=True .看到 Metadata Routing User Guide 了解更多详细信息。

返回:

self对象: 部分匹配估计量的实例。

predict(X)[源代码]#

使用基本估计量预测多类别目标。

参数:

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

返回:

y形状（n_samples，）或（n_samples，n_classes）的{类数组，稀疏矩阵}: 预测多类目标。

predict_proba(X)[源代码]#

概率估计。

返回的所有类的估计值按类的标签排序。

请注意，在多标签情况下，每个样本可以具有任意数量的标签。这将返回给定样本具有相关标签的边际概率。例如，两个标签都有90%的可能性适用于给定样本，这是完全一致的。

In the single label multiclass case, the rows of the returned matrix sum to 1.

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}: 输入数据。

返回:

T形状类似阵列（n_samples，n_classes）: 返回模型中每个类的样本概率，其中类按其所在位置排序 self.classes_ .

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_partial_fit_request(*, classes: bool | None | str = '$UNCHANGED$') → OneVsRestClassifier[源代码]#

请求元数据传递给 partial_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 partial_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 partial_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:

classes字符串、真、假或无，默认=sklearn.utils. metalics_Routing.UNChanged: 元数据路由 classes 参数 partial_fit .

返回:

self对象: 更新的对象。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → OneVsRestClassifier[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。