Примечание

Перейти в конец чтобы скачать полный пример кода или запустить этот пример в браузере через JupyterLite или Binder.

`__sklearn_is_fitted__` как API для разработчиков#

The __sklearn_is_fitted__ метод — это соглашение, используемое в scikit-learn для проверки, был ли объект оценщика обучен или нет. Этот метод обычно реализуется в пользовательских классах оценщиков, построенных на основе базовых классов scikit-learn, таких как BaseEstimator или его подклассах.

Разработчикам следует использовать check_is_fitted в начале всех методов, кроме fit. Если им нужно настроить или ускорить проверку, они могут реализовать __sklearn_is_fitted__ метод, как показано ниже.

В этом примере пользовательский оценщик демонстрирует использование __sklearn_is_fitted__ метод и check_is_fitted функция полезности как API для разработчиков. The __sklearn_is_fitted__ метод проверяет статус обученности, проверяя наличие _is_fitted атрибут.

Пример пользовательского оценщика, реализующего простой классификатор#

Этот фрагмент кода определяет пользовательский класс оценщика под названием CustomEstimator который расширяет как BaseEstimator и ClassifierMixin классы из scikit-learn и демонстрирует использование __sklearn_is_fitted__ метод и check_is_fitted функция полезности.

# Authors: The scikit-learn developers
# SPDX-License-Identifier: BSD-3-Clause

from sklearn.base import BaseEstimator, ClassifierMixin
from sklearn.utils.validation import check_is_fitted


class CustomEstimator(BaseEstimator, ClassifierMixin):
    def __init__(self, parameter=1):
        self.parameter = parameter

    def fit(self, X, y):
        """
        Fit the estimator to the training data.
        """
        self.classes_ = sorted(set(y))
        # Custom attribute to track if the estimator is fitted
        self._is_fitted = True
        return self

    def predict(self, X):
        """
        Perform Predictions

        If the estimator is not fitted, then raise NotFittedError
        """
        check_is_fitted(self)
        # Perform prediction logic
        predictions = [self.classes_[0]] * len(X)
        return predictions

    def score(self, X, y):
        """
        Calculate Score

        If the estimator is not fitted, then raise NotFittedError
        """
        check_is_fitted(self)
        # Perform scoring logic
        return 0.5

    def __sklearn_is_fitted__(self):
        """
        Check fitted status and return a Boolean value.
        """
        return hasattr(self, "_is_fitted") and self._is_fitted