Ctrl+K

MultiOutputClassifier#

class sklearn.multioutput.MultiOutputClassifier(estimator, *, n_jobs=None)[源代码]#

多目标分类。

该策略包括为每个目标匹配一个分类器。这是一种简单的策略，用于扩展原生不支持多目标分类的分类器。

参数:
estimator估计器对象

实现的估计器对象 fit 和 predict .一 predict_proba 只有在以下情况下，方法才会暴露 estimator 实现它。

n_jobsint或无，可选（默认=无）

并行运行的作业数。 fit , predict 和 partial_fit (if由通过的估计器支持）将针对每个目标并行化。

当个体估计器快速训练或预测时，使用 n_jobs > 1 由于并行性负载，可能会导致性能下降。

None means 1 unless in a joblib.parallel_backend context. -1 means using all available processes / threads. See Glossary for more details.

在 0.20 版本发生变更: n_jobs 默认更改为 1 到 None .

属性:
classes_形状的nd数组（n_classes，）

班级标签。

estimators_ ：列表 n_output 估计列表

用于预测的估计器。

n_features_in_int

期间看到的功能数量 fit .仅定义基础 estimator 在合适的时候公开这样的属性。

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 .仅在基础估计值在适合时暴露此类属性时才定义。

Added in version 1.0.

参见

ClassifierChain

一个多标签模型，将二进制分类器排列成一个链。

MultiOutputRegressor

每个目标变量适合一个回归量。

示例

>>> import numpy as np
>>> from sklearn.datasets import make_multilabel_classification
>>> from sklearn.multioutput import MultiOutputClassifier
>>> from sklearn.linear_model import LogisticRegression
>>> X, y = make_multilabel_classification(n_classes=3, random_state=0)
>>> clf = MultiOutputClassifier(LogisticRegression()).fit(X, y)
>>> clf.predict(X[-2:])
array([[1, 1, 1],
       [1, 0, 1]])
fit(X, Y, sample_weight=None, **fit_params)[源代码]#

将模型匹配数据矩阵X和目标Y。

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

输入数据。

Y形状类似阵列（n_samples，n_classes）

The target values.

sample_weight形状类似数组（n_samples，），默认=无

样本重量。如果 None ，则样本被相等地加权。仅在基础分类器支持样本权重时才支持。

**fit_params字符串->对象的字典

参数传递给 estimator.fit 每一步的方法。

Added in version 0.23.

返回:
self对象

返回合适的实例。

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 1.3.

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, sample_weight=None, **partial_fit_params)[源代码]#

为每个类输出增量地适应单独的模型。

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

输入数据。

y形状（n_samples，n_outputs）的{类数组，稀疏矩阵}

Multi-output targets.

classes形状的nd数组列表（n_outputs，），默认=无

每个数组都是str/int中一个输出的唯一类。可以通过 [np.unique(y[:, i]) for i in range(y.shape[1])] ，在哪里 y 是整个数据集的目标矩阵。第一次调用partial_fit时需要此参数，在后续调用中可以省略。注意 y 不需要包含所有标签 classes .

sample_weight形状类似数组（n_samples，），默认=无

样本重量。如果 None ，则样本被相等地加权。仅在基础回归量支持样本权重时才支持。

**partial_fit_params字符串->对象的字典

参数传递给 estimator.partial_fit 每个子估计器的方法。

仅在以下情况下可用 enable_metadata_routing=True .看到 User Guide .

Added in version 1.3.

返回:
self对象

返回合适的实例。

predict(X)[源代码]#

使用每个目标变量的模型预测多输出变量。

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

输入数据。

返回:
y形状（n_samples，n_outputs）的{类数组，稀疏矩阵}

跨多个预测因子预测的多输出目标。注意：为每个预测器生成单独的模型。

predict_proba(X)[源代码]#

每个输出的每个类别的返回预测概率。

此方法将引发一个 ValueError 如果任何估计者没有 predict_proba .

参数:
X形状类似阵列（n_samples，n_features）

输入数据。

返回:
p形状数组（n_samples，n_classes），或n_oututs列表 如果n_outputs > 1，则此类数组。

输入样本的类概率。类的顺序与属性中的顺序相对应 classes_ .

在 0.19 版本发生变更: 该函数现在返回数组列表，其中列表的长度为 n_outputs ，并且每个数组都是 (n_samples , n_classes ）对于该特定的输出。

score(X, y)[源代码]#

返回给定测试数据和标签的平均准确度。

参数:
X形状类似阵列（n_samples，n_features）

测试样本。

y形状类似阵列（n_samples，n_outputs）

X的真实值。

返回:
scores浮子

预测目标与真实目标的平均准确性。

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → MultiOutputClassifier[源代码]#

请求元数据传递给 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 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 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:
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 fit .

返回:
self对象

更新的对象。

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 = '$UNCHANGED$', sample_weight: bool | None | str = '$UNCHANGED$') → MultiOutputClassifier[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 .

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 partial_fit .

返回:
self对象

更新的对象。

On this page