sklearn.multiclass.OneVsRestClassifier¶

class sklearn.multiclass.OneVsRestClassifier(estimator, *, n_jobs=None)

[源码]

一对一（OvR）的多类/多标签策略

也称为“一对多”，此策略包括为每个类配备一个分类器。对于每个分类器，该分类将与所有其他分类进行拟合。除了其计算效率（仅n_classes 需要分类器）之外，这种方法的一个优点是其可解释性。由于每个类别仅由一个和一个分类器表示，因此可以通过检查其对应的分类器来获取有关该类别的知识。这是用于多类分类的最常用策略，并且是合理的默认选择。

此策略还可以用于多标签学习，例如，通过拟合2d矩阵（如果样本i具有标签j，则单元[i，j]为1，否则为0），将分类器用于预测多个标签。

在多标签学习文献中，OvR也被称为二进制相关方法。

在用户指南中阅读更多内容。

参数	说明
estimator	estimator object 一种实现拟合和决策函数（decision_function）或预测概率（predict_proba）之一的估计对象。
n_jobs	int or None, optional (default=None) 用于计算的数量。`None`除非`joblib.parallel_backend`上下文中，否则表示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。 `v0.20版中已更改：`n_jobs`默认从1更改为None`

属性	说明
estimators_	list of `n_classes` estimators 用于预测的估计量。
classes_	array, shape = [`n_classes`] 类标签。
n_classes_	int 类数。
label_binarizer_	LabelBinarizer object 用于将多类标签转换为二进制标签的对象，反之亦然。
multilabel_	boolean 是否是多标签分类器

实例

>>> import numpy as np
>>> from sklearn.multiclass import OneVsRestClassifier
>>> from sklearn.svm import SVC
>>> X = np.array([
...     [10, 10],
...     [8, 10],
...     [-5, 5.5],
...     [-5.4, 5.5],
...     [-20, -20],
...     [-15, -20]
... ])
>>> y = np.array([0, 0, 1, 1, 2, 2])
>>> clf = OneVsRestClassifier(SVC()).fit(X, y)
>>> clf.predict([[-19, -20], [9, 9], [-5, 5]])
array([2, 0, 1])

方法	说明
`decision_function`(X)	返回每个样本到决策边界的每个样本的距离。
`fit`(X, y)	拟合基础估计量。
`get_params`([deep])	获取此估计量的参数。
`partial_fit`(X, y[, classes])	部分拟合基础估计量
`predict`(X)	使用基础估计量预测多类别目标。
`predict_proba`(X)	概率估计。
`score`(X, y[, sample_weight])	返回给定测试数据和标签上的平均准确度。
`set_params`(**params)	设置此估算量的参数。

__init__(estimator, *, n_jobs=None)

[源码]

初始化self，请参阅help(type(self))以获得准确的说明。

decision_function(X)

[源码]

返回每个样本到决策边界的每个样本的距离。这只能与实现decision_function方法的估计器一起使用。

参数	说明
X	array-like of shape (n_samples, n_features)

返回值	说明
T	array-like of shape (n_samples, n_classes) 在版本0.19中进行了更改：输出形状已更改为`(n_samples,)`符合scikit-learn二进制分类的约定。

fit(X, y)

[源码]

拟合基础估计量。

参数	说明
X	(sparse) array-like of shape (n_samples, n_features) 数据。
y	(sparse) array-like of shape (n_samples,) or (n_samples, n_classes) 多类别目标。指标矩阵可打开多标签分类。

返回值
self

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，则将返回此估算量和作为估算量的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。

property multilabel_

是否是多标签分类器

partial_fit(X, y, classes=None)

[源码]

部分拟合基础估计量

当内存不足以训练所有数据时应使用。数据块可以多次迭代传递。

参数	说明
X	(sparse) array-like of shape (n_samples, n_features) 数据
y	(sparse) array-like of shape (n_samples,) or (n_samples, n_classes) 多类别目标。指标矩阵可打开多标签分类。
classes	array, shape (n_classes, ) 所有对partial_fit的调用中的类。可以通过获得`np.unique(y_all)`，其中y_all是整个数据集的目标向量。仅在partial_fit的第一次调用中需要此参数，而在后续调用中可以将其省略。

返回值
self

predict(X)

[源码]

使用基础估计量预测多类别目标。

参数	说明
X	(sparse) array-like of shape (n_samples, n_features) 数据

返回值	说明
y	(sparse) array-like of shape (n_samples,) or (n_samples, n_classes) 预测的多类别目标。

predict_proba(X)

[源码]

概率估计。

所有类别的返回估算值按类别标签排序。

请注意，在多标签情况下，每个样本可以具有任意数量的标签。这将返回给定样本具有相关标签的边际概率。例如，两个标签都具有90％的概率应用于给定样品，这是完全一致的。

在单标签多类情况下，返回矩阵的行总和为1。

参数	说明
X	array-like of shape (n_samples, n_features)

返回值	说明
T	(sparse) array-like of shape (n_samples, n_classes) 返回模型中每个类的样本概率，其中类按顺序排序`self.classes_`。

score(X, y, sample_weight=None)

[源码]

返回给定测试数据和标签上的平均准确度。

在多标签分类中，这是子集准确性，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	说明
X	array-like of shape (n_samples, n_features) 测试样本
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) wrt. y.的平均准确度。

set_params(**params)

[源码]

设置此估算器的参数。

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

参数	说明
**params	dict 估算器参数。

返回值	说明
self	object 估算器实例。

sklearn.multiclass.OneVsRestClassifier使用实例¶