sklearn.linear_model.OrthogonalMatchingPursuitCV¶

class sklearn.linear_model.OrthogonalMatchingPursuitCV(*, copy=True, fit_intercept=True, normalize=True, max_iter=None, cv=None, n_jobs=None, verbose=False)

交叉验证的正交匹配追踪模型（OMP）。

有关交叉验证估算器，请参阅词汇表条目。

在用户指南中阅读更多内容。

参数	说明
copy	bool, optional 设置矩阵X是否必须被算法复制。只有当X已经是Fortran-ordered时，false值才有用，否则无论如何都会复制。
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，数据应居中）。
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`。
max_iter	integer, optional 要执行的最大迭代次数，因此要包含最大特征数，`n_features`的10％，但至少为5（如果有）。
cv	int, cross-validation generator or an iterable, optional 确定交叉验证拆分策略。可能的输入是： - None，使用默认的5折交叉验证 - int，用于指定折叠数。 - CV分割器， - 可迭代生成(分割训练、测试)索引数组。对于int / None输入，使用`KFold`。有关可在此处使用的各种交叉验证策略，请参阅用户指南。在0.22版本中更改：`cv`如果是“None”，默认值从3折更改为5折。
n_jobs	int or None, optional (default=None) 交叉验证期间要使用的CPU核心数量。除非在上下文中设置了`joblib.parallel_backend`，否则`None`表示1 。 `-1`表示使用所有处理器。有关更多详细信息，请参见词汇表。
verbose	boolean or integer, optional 设置详细程度

属性	说明
intercept_	float or array, shape (n_targets,) 决策函数中的截距。
coef_	array, shape (n_features,) or (n_targets, n_features) 参数向量（问题表述中的w）。
n_nonzero_coefs_	int 非零系数的估计数量在交叉验证折叠中给出最佳均方误差。
n_iter_	int or array-like 通过交叉验证得到的最佳超参数，用于模型重构的每个目标的活动特征的数量。

另见

orthogonal_mp
orthogonal_mp_gram
lars_path
Lars
LassoLars
OrthogonalMatchingPursuit
LarsCV
LassoLarsCV
decomposition.sparse_encode

示例

>>> from sklearn.linear_model import OrthogonalMatchingPursuitCV
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(n_features=100, n_informative=10,
...                        noise=4, random_state=0)
>>> reg = OrthogonalMatchingPursuitCV(cv=5).fit(X, y)
>>> reg.score(X, y)
0.9991...
>>> reg.n_nonzero_coefs_
10
>>> reg.predict(X[:1,])
array([-78.3854...])

方法

方法	说明
`fit`(X, y)	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__(*, copy=True, fit_intercept=True, normalize=True, max_iter=None, cv=None, n_jobs=None, verbose=False)

[源码]

初始化self，请参阅help(type(self))以获得准确的说明。

fit(X, y)

[源码]

使用X，y作为训练数据拟合模型。

参数	说明
X	array-like, shape [n_samples, n_features] 训练数据。
y	array-like, shape [n_samples] 目标值。如有必要，将强制转换为X的数据类型

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.OrthogonalMatchingPursuitCV使用示例¶

正交匹配追踪 ¶