sklearn.linear_model.OrthogonalMatchingPursuit¶

class sklearn.linear_model.OrthogonalMatchingPursuit(*, n_nonzero_coefs=None, tol=None, fit_intercept=True, normalize=True, precompute='auto')

正交匹配追踪模型（OMP）。

在用户指南中阅读更多内容。

参数	说明
n_nonzero_coefs	int, optional 解决方案中所需的非零项数。如果为None（默认），则此值设置为n_features的10％。
tol	float, optional 残数的最大范数。如果不是None，则覆盖n_nonzero_coefs。
fit_intercept	boolean, optional 是否计算该模型的截距。如果设置为false，则在计算中将不使用截距（即，数据应是中心化的）。
normalize	boolean, optional, default True `fit_intercept`设置为False 时，将忽略此参数。如果为True，则在回归之前通过减去均值并除以l2-范数来对回归变量X进行归一化。如果你希望标准化，请先使用 `sklearn.preprocessing.StandardScaler`，然后调用`fit` 估算器并设置`normalize=False`。
precompute	{True, False, ‘auto’}, default ‘auto’ 是否使用预先计算的Gram和Xy矩阵来加快计算速度。当n_targets或 n_samples非常大时提高性能。请注意，如果已经有这样的矩阵，则可以将它们直接传递给fit方法。

属性	说明
coef_	array, shape (n_features,) or (n_targets, n_features) 参数向量（公式中的w）
intercept_	float or array, shape (n_targets,) 目标函数中的截距。
n_iter_	int or array-like 每个目标上的活动特征数量。

另见

orthogonal_mp
orthogonal_mp_gram
lars_path
Lars
LassoLars
decomposition.sparse_encode
OrthogonalMatchingPursuitCV

注

正交匹配追踪是在G. Mallat，Z. Zhang中引入的，《时频字典的匹配追踪》，IEEE Transactions on Signal Processing，Vol。41，No.12（1993年12月），第3397-3415页。（http://blanche.polytechnique.fr/~mallat/papiers/MallatPursuit93.pdf）

此实现基于R.Rubinstein，M.Zibulevsky和M.Elad的《使用批正交匹配追踪技术报告有效实现K-SVD算法》，CS Technion，2008年4月 .https：//www.cs。 technion.ac.il/~ronrubin/Publications/KSVD-OMP-v2.pdf

示例

>>> from sklearn.linear_model import OrthogonalMatchingPursuit
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(noise=4, random_state=0)
>>> reg = OrthogonalMatchingPursuit().fit(X, y)
>>> reg.score(X, y)
0.9991...
>>> reg.predict(X[:1,])
array([-78.3854...])

方法

方法	说明
`fit`(X, y[, copy_X])	使用X，y作为训练数据拟合模型。
`get_params`([deep])	获取此估计量的参数。
`predict`(X)	使用线性模型进行预测。
`score`(X, y[, sample_weight])	返回预测的确定系数R ^ 2。
`set_params`(**params)	设置此估算器的参数。

__init__（standard ='aic'，*，fit_intercept = True，verbose = False，normalize = True，precompute ='auto'，max_iter = 500，eps = 2.220446049250313e-16，copy_X = True，positive = False ）

[源码]

初始化self，请参阅help(type(self))以获得准确的说明。

fit(X, y, copy_X=None)

[源码]

使用X，y作为训练数据拟合模型。

参数	说明
X	array-like of shape (n_samples, n_features) 训练数据。
y	array-like of shape (n_samples,) 目标值。如有必要，将强制转换为X的数据类型
copy_X	bool, default=None 如果设置了此参数，它将覆盖实例创建时选择的copy_X。如果`True`，X将被复制；否则X可能会被覆盖。

返回值	说明
self	object 返回估计器实例

get_params(deep=True)

[源码]

获取此估计量的参数。

参数	说明
deep	bool, default=True 如果为True，则将返回此估算器和所包含子对象的参数。

返回值	说明
params	mapping of string to any 参数名称映射到其值。

predict(X)

[源码]

使用线性模型进行预测。

参数	说明
X	array_like or sparse matrix, shape (n_samples, n_features) 样本数据

返回值	说明
C	array, shape (n_samples,) 返回预测值。

score(X, y, sample_weight=None)

[源码]

返回预测的确定系数R ^ 2。

系数R ^ 2定义为（1- u / v），其中u是残差平方和（（y_true-y_pred）** 2）.sum（），而v是总平方和（（y_true- y_true.mean（））** 2）.sum（）。可能的最高得分为1.0，并且也可能为负（因为该模型可能会更差）。一个常数模型总是预测y的期望值，而不考虑输入特征，得到的R^2得分为0.0。

参数	说明
X	array-like of shape (n_samples, n_features) 测试样本。对于某些估计量，这可以是预先计算的内核矩阵或通用对象列表，形状为（n_samples，n_samples_fitted），其中n_samples_fitted是用于拟合估计器的样本数。
y	array-like of shape (n_samples,) or (n_samples, n_outputs) X的真实值。
sample_weight	array-like of shape (n_samples,), default=None 样本权重。

返回值	说明
score	float 预测值与真实值的R^2。

注

调用回归器中的score时使用的R2分数，multioutput='uniform_average'从0.23版开始使用，与r2_score默认值保持一致。这会影响多输出回归的score方法（ MultiOutputRegressor除外）。

set_params(**params)

[源码]

设置此估计器的参数。

该方法适用于简单的估计器以及嵌套对象（例如管道）。后者具有形式为 <component>__<parameter>的参数，这样就可以更新嵌套对象的每个组件。

参数	说明
**params	dict 估计器参数。

返回值	说明
self	object 估计器实例。

sklearn.linear_model.OrthogonalMatchingPursuit使用示例¶

正交匹配追踪 ¶