OutputCodeClassifier#

class sklearn.multiclass.OutputCodeClassifier(estimator, *, code_size=1.5, random_state=None, n_jobs=None)[源代码]#

（错误更正）输出代码多类策略。

基于输出代码的策略包括用二进制代码（0和1的数组）表示每个类。在匹配时，代码本中的每个比特都匹配一个二进制分类器。在预测时，使用分类器在类空间中投影新点，并选择最接近这些点的类。这些策略的主要优点是，所使用的分类器的数量可以由用户控制，或者用于压缩模型（0 < code_size < 1）或使模型对错误更鲁棒 (code_size > 1）。有关更多详细信息，请参阅文档。

阅读更多的 User Guide .

参数:

estimator估计器对象

实现的估计器对象 fit 之一 decision_function 或 predict_proba .

code_sizefloat，默认=1.5

用于创建代码簿的类数量的百分比。0和1之间的数字需要的分类器比1和其余数字更少。大于1的数字将需要比1更多的分类器。

random_stateint，RandomState实例，默认=无

用于初始化码本的生成器。传递一个int值，以便在多个函数调用中获得可重复的输出。看到 Glossary .

n_jobsint，默认=无

用于计算的作业数量：多类问题并行计算。

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。

属性:

estimators_ ：列表 int(n_classes * code_size) 估计列表: 用于预测的估计器。
classes_形状的nd数组（n_classes，）: 包含标签的数组。
code_book_ ：ndray形状（n_classes， len(estimators_) )形状的nd数组（n_classes，: 包含每个类代码的二进制数组。
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

OneVsRestClassifier: 一对所有多类策略。
OneVsOneClassifier: 一对一的多类策略。

引用

[1]

“通过错误纠正输出代码解决多类学习问题”，Dietterich T.，巴基里G.，人工智能研究杂志2，1995年。

[2]

“错误编码方法和PICT”，James G.，Hastie T.《计算和图形统计学杂志》7，1998年。

[3]

“统计学习的要素”，Hastie T.，蒂布希拉尼河，弗里德曼·J，第606页（第二版）2008年。

示例

>>> from sklearn.multiclass import OutputCodeClassifier
>>> from sklearn.ensemble import RandomForestClassifier
>>> from sklearn.datasets import make_classification
>>> X, y = make_classification(n_samples=100, n_features=4,
...                            n_informative=2, n_redundant=0,
...                            random_state=0, shuffle=False)
>>> clf = OutputCodeClassifier(
...     estimator=RandomForestClassifier(random_state=0),
...     random_state=0).fit(X, y)
>>> clf.predict([[0, 0, 0, 0]])
array([1])

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形状类似阵列（n_samples，）: 多类目标。
**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: 返回适合的自我实例。

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]#

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形状的nd数组（n_samples，）: 预测多类目标。

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 = '$UNCHANGED$') → OutputCodeClassifier[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。