sklearn.dummy.DummyClassifier¶

class sklearn.dummy.DummyClassifier(*, strategy='warn', random_state=None, constant=None)

[源码]

DummyClassifier是一种使用简单规则进行预测的分类器。

这个分类器作为与其他(真实的)分类器进行比较的简单基线非常有用。不要用它来解决真正的问题。

在用户指南中阅读更多内容。

新版本0.13。

参数	说明
strategy	str, default=”stratified” 用来产生预测的策略。 “分层的”:通过尊重训练集的类分布来生成预测。 “most_frequency”:总是预测训练集中出现频率最高的标签。 “prior”:总是预测最大化类prior的类(比如“most_frequency”)，而predict_proba返回类prior。 “均匀”:均匀地随机生成预测。 “常量”:总是预测用户提供的常量标签。这对于评估非大多数类的度量是有用的在0.22版本中更改:策略的默认值在0.24版本中将更改为“prior”。从版本0.22开始，如果没有显式地设置策略，就会发出警告。新版本0.17:虚拟分类器现在支持使用参数先验的先验拟合策略。
random_state	int, RandomState instance or None, optional, default=None 当策略='分层'或策略='统一'时，控制产生预测的随机性。在多个函数调用之间传递可重复输出的int。看到术语表。
constant	int or str or array-like of shape (n_outputs,) 由“常数”策略预测的显式常数。这个参数只对“常量”策略有用。

属性	说明
classes_	array or list of array of shape (n_classes,) 每个输出的类标签。
n_classes_	array or list of array of shape (n_classes,) 每个输出的标签数。
class_prior_	array or list of array of shape (n_classes,) 每个类对每个输出的概率。
n_outputs_	int, 数量的输出。
sparse_output_	bool, 如果从predict返回的数组是稀疏CSC格式，则为True。如果输入y以稀疏格式传递，则自动设置为真。

示例

>>> import numpy as np
>>> from sklearn.dummy import DummyClassifier
>>> X = np.array([-1, 1, 1, 1])
>>> y = np.array([0, 1, 1, 1])
>>> dummy_clf = DummyClassifier(strategy="most_frequent")
>>> dummy_clf.fit(X, y)
DummyClassifier(strategy='most_frequent')
>>> dummy_clf.predict(X)
array([1, 1, 1, 1])
>>> dummy_clf.score(X, y)
0.75

方法

方法	说明
`fit`(self, X, y[, sample_weight])	F适合随机分类器。
`get_params`(self[, deep])	获取这个估计器的参数。
`predict`(self, X)	对测试向量X进行分类。
`predict_log_proba`(self, X)	测试向量X的返回对数概率估计。
`predict_proba`(self, X)	测试向量X的返回概率估计。
`score`(self, X, y[, sample_weight])	返回给定测试数据和标签的平均精度。
`set_params`(self, **params)	设置这个估计器的参数。

__init__(self, *, strategy='warn', random_state=None, constant=None)

[源码]

初始化self. See 请参阅help(type(self))以获得准确的说明。

fit(self, X, y, sample_weight=None)

[源码]

参数	说明
X	{array-like, object with finite length or shape} 训练数据，要求length = n_samples
y	array-like of shape (n_samples,) or (n_samples, n_outputs) 目标的价值。
sample_weight	array-like of shape (n_samples,), default=None 样本权重。

get_params(self, deep=True)

[源码]

获取这个估计器的参数。

参数	说明
deep	bool, default=True 如果为真，将返回此估计器的参数以及包含的作为估计器的子对象。

返回值	说明
params	mapping of string to any 参数名称映射到它们的值。

predict(self, X)

[源码]

对测试向量X进行分类。

参数	说明
X	{array-like, object with finite length or shape} 训练数据，要求length = n_samples

返回值	说明
y	array-like of shape (n_samples,) or (n_samples, n_outputs) X的预测目标值。

predict_log_proba(self, X)

[源码]

测试向量X的返回对数概率估计。

参数	说明
X	{array-like, object with finite length or shape} 训练数据，要求length = n_samples

返回值	说明
P	array-like or list of array-like of shape (n_samples, n_classes) 返回模型中每个类的样本的日志概率，其中类对每个输出进行算术排序。

predict_proba(self, X)

[源码]

测试向量X的返回概率估计。

参数	说明
X	{array-like, object with finite length or shape} 训练数据，要求length = n_samples

返回值	说明
P	array-like or list of array-like of shape (n_samples, n_classes) 返回模型中每个类的抽样概率，其中类对每个输出进行算术排序。

score(self, X, y, sample_weight=None)

[源码]

返回给定测试数据和标签的平均精度。

在多标签分类中，这是子集精度，这是一个苛刻的指标，因为你需要对每个样本正确预测每个标签集。

参数	说明
X	{array-like, None} 使用shape = (n_samples, n_features)或None测试样本。通过None作为测试样本与通过真实测试样本得到的结果相同，因为DummyClassifier的操作独立于采样的观察值。
y	array-like of shape (n_samples,) or (n_samples, n_outputs) X的真实标签。
sample_weight	array-like of shape (n_samples,), default=None 样本权重。

返回值	说明
score	float self.predict(X) 与y的平均准确度。

set_params(self, **params)

[源码]

设置这个估计器的参数。

该方法适用于简单估计量和嵌套对象。后者具有形式为<component>_<parameter>的参数，这样就让更新嵌套对象的每个组件成为了可能。

参数	说明
**params	dict 估计器参数。

返回值	说明
self	object 估计器实例。