OrthogonalMatchingPursuit#

класс sklearn.linear_model.OrthogonalMatchingPursuit(*, n_nonzero_coefs=None, tol=None, fit_intercept=True, precompute='auto')[источник]#

Модель ортогонального согласованного преследования (OMP).

Подробнее в Руководство пользователя.

Параметры:
n_nonzero_coefsint, default=None

Желаемое количество ненулевых элементов в решении. Игнорируется, если tol установлен. Когда None и tol также None, это значение либо устанавливается в 10% от n_features или 1, в зависимости от того, что больше.

tolfloat, по умолчанию=None

Максимальная квадратичная норма остатка. Если не None, переопределяет n_nonzero_coefs.

fit_interceptbool, по умолчанию=True

Вычислять ли свободный член для этой модели. Если установлено false, свободный член не будет использоваться в вычислениях (т.е. ожидается, что данные центрированы).

precompute‘auto’ или bool, по умолчанию=’auto’

Использовать ли предварительно вычисленную матрицу Грама и Xy для ускорения вычислений. Улучшает производительность, когда n_targets или n_samples очень большой.

Атрибуты:
coef_ndarray формы (n_features,) или (n_targets, n_features)

Вектор параметров (w в формуле).

intercept_float или ndarray формы (n_targets,)

Независимый член в функции принятия решений.

n_iter_int или array-like

Количество активных признаков для каждой цели.

n_nonzero_coefs_int или None

Количество ненулевых коэффициентов в решении или None когда tol установлен. Если n_nonzero_coefs равно None и tol равно None, это значение либо устанавливается в 10% от n_features или 1, в зависимости от того, что больше.

n_features_in_int

Количество признаков, замеченных во время fit.

Добавлено в версии 0.24.

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.

Добавлено в версии 1.0.

Смотрите также

orthogonal_mp

Решает n_targets задач Ортогонального Сопоставления с Поиском.

orthogonal_mp_gram

Решает n_targets задач Ортогонального согласованного преследования, используя только матрицу Грама X.T * X и произведение X.T * y.

lars_path

Вычислить путь регрессии наименьших углов или Lasso с использованием алгоритма LARS.

Lars

Модель регрессии с наименьшим углом, также известная как LAR.

LassoLars

Модель Lasso, обученная с использованием метода наименьших углов, также известного как Lars.

sklearn.decomposition.sparse_encode

Общее разреженное кодирование. Каждый столбец результата является решением задачи Lasso.

OrthogonalMatchingPursuitCV

Кросс-валидированная модель Orthogonal Matching Pursuit (OMP).

Примечания

Ортогональное согласованное преследование было представлено в G. Mallat, Z. Zhang, Matching pursuits with time-frequency dictionaries, IEEE Transactions on Signal Processing, Vol. 41, No. 12. (December 1993), pp. 3397-3415. (https://www.di.ens.fr/~mallat/papiers/MallatPursuit93.pdf)

Эта реализация основана на Rubinstein, R., Zibulevsky, M. и Elad, M., Efficient Implementation of the K-SVD Algorithm using Batch Orthogonal Matching Pursuit Technical Report - CS Technion, апрель 2008. https://www.cs.technion.ac.il/~ronrubin/Publications/KSVD-OMP-v2.pdf

Примеры

>>> from sklearn.linear_model import OrthogonalMatchingPursuit
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(noise=4, random_state=0)
>>> reg = OrthogonalMatchingPursuit().fit(X, y)
>>> reg.score(X, y)
0.9991
>>> reg.predict(X[:1,])
array([-78.3854])
fit(X, y)[источник]#

Обучите модель, используя X, y в качестве обучающих данных.

Параметры:
Xarray-like формы (n_samples, n_features)

Обучающие данные.

yмассивоподобный формы (n_samples,) или (n_samples, n_targets)

Целевые значения. Будут приведены к типу данных X при необходимости.

Возвращает:
selfobject

Возвращает экземпляр self.

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]#

Прогнозирование с использованием линейной модели.

Параметры:
Xмассивоподобный или разреженная матрица, форма (n_samples, n_features)

Образцы.

Возвращает:
Cмассив, формы (n_samples,)

Возвращает предсказанные значения.

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

Возвращает коэффициент детерминации на тестовых данных.

Коэффициент детерминации, \(R^2\), определяется как \((1 - \frac{u}{v})\), где \(u\) является остаточной суммой квадратов ((y_true - y_pred)** 2).sum() и \(v\) является общей суммой квадратов ((y_true - y_true.mean()) ** 2).sum()Лучший возможный результат - 1.0, и он может быть отрицательным (потому что модель может быть сколь угодно хуже). Постоянная модель, которая всегда предсказывает ожидаемое значение y, игнорируя входные признаки, получит \(R^2\) оценка 0.0.

Параметры:
Xarray-like формы (n_samples, n_features)

Тестовые выборки. Для некоторых оценщиков это может быть предварительно вычисленная матрица ядра или список общих объектов вместо этого с формой (n_samples, n_samples_fitted), где n_samples_fitted — это количество образцов, использованных при обучении оценщика.

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

Истинные значения для X.

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

Веса выборок.

Возвращает:
scorefloat

\(R^2\) of self.predict(X) относительно y.

Примечания

The \(R^2\) оценка, используемая при вызове score на регрессоре использует multioutput='uniform_average' с версии 0.23 для сохранения согласованности со значением по умолчанию r2_score. Это влияет на score метод всех многомерных регрессоров (кроме MultiOutputRegressor).

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 = '$UNCHANGED$') → OrthogonalMatchingPursuit[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.