DummyClassifier#

класс sklearn.dummy.DummyClassifier(*, стратегия='prior', random_state=None, константа=None)[источник]#

DummyClassifier делает предсказания, игнорируя входные признаки.

Этот классификатор служит простой базой для сравнения с другими более сложными классификаторами.

Конкретное поведение базовой линии выбирается с помощью strategy параметр.

Все стратегии делают прогнозы, игнорируя значения входных признаков, переданные как X аргумент для fit и predict. Однако предсказания, как правило, зависят от значений, наблюдаемых в y параметр, переданный в fit.

Обратите внимание, что стратегии "стратифицированная" и "равномерная" приводят к недетерминированным предсказаниям, которые можно сделать детерминированными, установив random_state параметр при необходимости. Другие стратегии естественно детерминированы и, после обучения, всегда возвращают одно и то же постоянное предсказание для любого значения X.

Подробнее в Руководство пользователя.

Добавлено в версии 0.13.

Параметры:
стратегия{“most_frequent”, “prior”, “stratified”, “uniform”, “constant”}, по умолчанию=”prior”

Стратегия для генерации предсказаний.

  • "most_frequent": predict метод всегда возвращает наиболее частую метку класса в наблюдаемом y аргумент, переданный в fit. predict_proba метод возвращает соответствующий вектор с кодированием one-hot.

  • «prior»: predict метод всегда возвращает наиболее частую метку класса в наблюдаемом y аргумент, переданный в fit (например, "most_frequent"). predict_proba всегда возвращает эмпирическое распределение классов y , также известное как эмпирическое априорное распределение классов.

  • “stratified”: predict_proba метод случайно выбирает one-hot векторы из мультиномиального распределения, параметризованного эмпирическими априорными вероятностями классов. predict метод возвращает метку класса, которая получила вероятность один в one-hot векторе predict_proba. Каждая выбранная строка обоих методов, следовательно, независима и одинаково распределена.

  • 'uniform': генерирует предсказания равномерно случайным образом из списка уникальных классов, наблюдаемых в y, т.е. каждый класс имеет равную вероятность.

  • "constant": всегда предсказывает постоянную метку, предоставленную пользователем. Это полезно для метрик, оценивающих неосновной класс.

    Изменено в версии 0.24: Значение по умолчанию для strategy изменилось на "prior" в версии 0.24.

random_stateint, экземпляр RandomState или None, по умолчанию=None

Управляет случайностью при генерации предсказаний, когда strategy='stratified' или strategy='uniform'. Передайте целое число для воспроизводимого результата при множественных вызовах функции. См. Глоссарий.

константаint или str или array-like формы (n_outputs,), по умолчанию=None

Явная константа, предсказанная стратегией "constant". Этот параметр полезен только для стратегии "constant".

Атрибуты:
classes_ndarray формы (n_classes,) или список таких массивов

Уникальные метки классов, наблюдаемые в y. Для задач многоклассовой классификации этот атрибут является списком массивов, так как каждый выход имеет независимый набор возможных классов.

n_classes_int или список int

Количество меток для каждого выхода.

class_prior_ndarray формы (n_classes,) или список таких массивов

Частота каждого класса, наблюдаемая в y. Для задач многоклассовой классификации это вычисляется независимо для каждого выхода.

n_features_in_int

Количество признаков, замеченных во время fit.

feature_names_in_ndarray формы (n_features_in_,)

Имена признаков, наблюдаемых во время fit. Определено только когда X имеет имена признаков, которые все являются строками.

n_outputs_int

Количество выходов.

sparse_output_bool

True, если массив, возвращаемый из predict, должен быть в разреженном формате CSC. Автоматически устанавливается в True, если входные данные y передаётся в разреженном формате.

Смотрите также

DummyRegressor

Регрессор, который делает прогнозы с использованием простых правил.

Примеры

>>> 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
fit(X, y, sample_weight=None)[источник]#

Обучить базовый классификатор.

Параметры:
Xarray-like формы (n_samples, n_features)

Обучающие данные.

yarray-like формы (n_samples,) или (n_samples, n_outputs)

Целевые значения.

sample_weightarray-like формы (n_samples,), по умолчанию=None

Веса выборок.

Возвращает:
selfobject

Возвращает сам экземпляр.

6332()[источник]#

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Возвращает:
маршрутизацияMetadataRequest

A MetadataRequest Инкапсуляция информации о маршрутизации.

get_params(глубокий=True)[источник]#

Получить параметры для этого оценщика.

Параметры:
глубокийbool, по умолчанию=True

Если True, вернет параметры для этого оценщика и вложенных подобъектов, которые являются оценщиками.

Возвращает:
paramsdict

Имена параметров, сопоставленные с их значениями.

predict(X)[источник]#

Выполнить классификацию на тестовых векторах X.

Параметры:
Xarray-like формы (n_samples, n_features)

Тестовые данные.

Возвращает:
yarray-like формы (n_samples,) или (n_samples, n_outputs)

Предсказанные целевые значения для X.

predict_log_proba(X)[источник]#

Вернуть оценки логарифмической вероятности для тестовых векторов X.

Параметры:
X{array-like, объект с конечной длиной или формой}

Обучающие данные.

Возвращает:
Pndarray формы (n_samples, n_classes) или список таких массивов

Возвращает логарифмическую вероятность выборки для каждого класса в модели, где классы упорядочены арифметически для каждого выхода.

predict_proba(X)[источник]#

Возвращает оценки вероятностей для тестовых векторов X.

Параметры:
Xarray-like формы (n_samples, n_features)

Тестовые данные.

Возвращает:
Pndarray формы (n_samples, n_classes) или список таких массивов

Возвращает вероятность выборки для каждого класса в модели, где классы упорядочены арифметически, для каждого выхода.

score(X, y, sample_weight=None)[источник]#

Возвращает среднюю точность на предоставленных тестовых данных и метках.

В многометочной классификации это точность подмножества, которая является строгой метрикой, поскольку требует для каждого образца правильного предсказания каждого набора меток.

Параметры:
XNone или массивоподобный формы (n_samples, n_features)

Тестовые образцы. Передача None в качестве тестовых образцов дает тот же результат, что и передача реальных тестовых образцов, поскольку DummyClassifier работает независимо от наблюдаемых выборок.

yarray-like формы (n_samples,) или (n_samples, n_outputs)

Истинные метки для X.

sample_weightarray-like формы (n_samples,), по умолчанию=None

Веса выборок.

Возвращает:
scorefloat

Средняя точность self.predict(X) относительно y.

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → DummyClassifier[источник]#

Настроить, следует ли запрашивать передачу метаданных в fit метод.

Обратите внимание, что этот метод актуален только тогда, когда этот оценщик используется как под-оценщик внутри мета-оценщик и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Варианты для каждого параметра:

  • True: запрашиваются метаданные и передаются fit если предоставлено. Запрос игнорируется, если метаданные не предоставлены.

  • False: метаданные не запрашиваются, и мета-оценщик не передаст их в fit.

  • None: метаданные не запрашиваются, и мета-оценщик выдаст ошибку, если пользователь предоставит их.

  • str: метаданные должны передаваться мета-оценщику с этим заданным псевдонимом вместо исходного имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет существующий запрос. Это позволяет изменять запрос для некоторых параметров, но не для других.

Добавлено в версии 1.3.

Параметры:
sample_weightstr, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для sample_weight параметр в fit.

Возвращает:
selfobject

Обновленный объект.

set_params(**params)[источник]#

Установить параметры этого оценщика.

Метод работает как на простых оценщиках, так и на вложенных объектах (таких как Pipeline). Последние имеют параметры вида __ чтобы можно было обновить каждый компонент вложенного объекта.

Параметры:
**paramsdict

Параметры оценщика.

Возвращает:
selfэкземпляр estimator

Экземпляр оценщика.

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → DummyClassifier[источник]#

Настроить, следует ли запрашивать передачу метаданных в score метод.

Обратите внимание, что этот метод актуален только тогда, когда этот оценщик используется как под-оценщик внутри мета-оценщик и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Варианты для каждого параметра:

  • True: запрашиваются метаданные и передаются score если предоставлено. Запрос игнорируется, если метаданные не предоставлены.

  • False: метаданные не запрашиваются, и мета-оценщик не передаст их в score.

  • None: метаданные не запрашиваются, и мета-оценщик выдаст ошибку, если пользователь предоставит их.

  • str: метаданные должны передаваться мета-оценщику с этим заданным псевдонимом вместо исходного имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет существующий запрос. Это позволяет изменять запрос для некоторых параметров, но не для других.

Добавлено в версии 1.3.

Параметры:
sample_weightstr, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для sample_weight параметр в score.

Возвращает:
selfobject

Обновленный объект.