sklearn.multiclass.OutputCodeClassifier

class sklearn.multiclass.OutputCodeClassifier(estimator, *, code_size=1.5, random_state=None, n_jobs=None)

[源码]

错误纠正,输出代码多类策略

基于输出代码的策略包括用二进制代码(0和1的数组)表示每个类。在拟合时,在代码簿中每位装配一个二进制分类器。在预测时,分类器用于在类空间中投影新点,并选择最接近这些点的类。这些策略的主要优点是用户可以控制使用的分类器数量,以压缩模型(0 <code_size <1)或使模型对错误更有效(code_size> 1)。有关更多详细信息,请参见文档。

用户指南中阅读更多内容。

参数 说明
estimator estimator object
一种实现拟合决策函数(decision_function)预测概率(predict_proba)之一的估计对象。
code_size float
用于创建代码簿的类数的百分比。介于0和1之间的数字需要的分类器比1和其余的要少。大于1的数字将需要比其他分类器更多的分类器。
random_state int, RandomState instance or None, optional, default: None
用于初始化密码本的生成器。为多个函数调用传递可重复输出的int值。请参阅词汇表
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
属性 说明
estimators_estimators list of int(n_classes * code_size)
用于预测的估计量。
classes_ numpy array of shape [n_classes]
包含标签的数组。
code_book_ numpy array of shape [n_classes, code_size]
包含每个类代码的二进制数组。

参考文献

1 “Solving multiclass learning problems via error-correcting output codes”, Dietterich T., Bakiri G., Journal of Artificial Intelligence Research 2, 1995.

2 “The error coding method and PICTs”, James G., Hastie T., Journal of Computational and Graphical statistics 7, 1998.

3 “The Elements of Statistical Learning”, Hastie T., Tibshirani R., Friedman J., page 606 (second-edition) 2008.

实例

>>> from sklearn.multiclass import OutputCodeClassifier
>>> from sklearn.ensemble import RandomForestClassifier
>>> from sklearn.datasets import make_classification
>>> X, y = make_classification(n_samples=100, n_features=4,
...                            n_informative=2, n_redundant=0,
...                            random_state=0, shuffle=False)
>>> clf = OutputCodeClassifier(
...     estimator=RandomForestClassifier(random_state=0),
...     random_state=0).fit(X, y)
>>> clf.predict([[0000]])
array([1])
方法 说明
fit(X, y) 拟合基础估计量。
get_params([deep]) 获取此估计量的参数。
predict(X) 使用基础估计量预测多类别目标。
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) 设置此估算器的参数。
__init__(estimator, *, code_size=1.5, random_state=None, n_jobs=None)

[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]

拟合基础估计量。

参数 说明
X (sparse) array-like of shape (n_samples, n_features)
数据
y numpy array of shape [n_samples]
多类别目标。
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,则将返回此估计量和作为估计量的包含子对象的参数。
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 numpy array of shape [n_samples]
预测的多类别目标。
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,是一个比较苛刻的指标,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
估算量参数。
返回值 说明
self object
估算量实例。