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。

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。
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([[0, 0, 0, 0]])
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。