FixedThresholdClassifier#

класс sklearn.model_selection.FixedThresholdClassifier(estimator, *, порог='auto', pos_label=None, response_method='auto')[источник]#

Бинарный классификатор, который вручную устанавливает порог принятия решения.

Этот классификатор позволяет изменять порог принятия решений по умолчанию, используемый для преобразования оценок апостериорной вероятности (т.е. вывода predict_proba) или оценки решений (т.е. выход decision_function) в метку класса.

Здесь порог не оптимизируется и установлен на постоянное значение.

Подробнее в Руководство пользователя.

Добавлено в версии 1.5.

Параметры:
estimatorэкземпляр estimator

Бинарный классификатор, обученный или нет, для которого мы хотим оптимизировать порог принятия решения, используемый во время predict.

порог{"auto"} или float, по умолчанию="auto"

Порог принятия решения для использования при преобразовании оценок апостериорной вероятности (т.е. вывода predict_proba) или оценки решений (т.е. выход decision_function) в метку класса. Когда "auto", порог устанавливается в 0.5, если predict_proba используется как response_method, иначе устанавливается в 0 (т.е. порог по умолчанию для decision_function).

pos_labelint, float, bool или str, по умолчанию=None

Метка положительного класса. Используется для обработки вывода response_method методом. Когда pos_label=None, если y_true находится в {-1, 1} или {0, 1}, pos_label установлен в 1, иначе будет вызвана ошибка.

response_method{“auto”, “decision_function”, “predict_proba”}, по умолчанию=”auto”

Методы классификатора estimator соответствующий функции принятия решения, для которой мы хотим найти порог. Это может быть:

  • if "auto", он попытается вызвать "predict_proba" или "decision_function" в таком порядке.

  • в противном случае, один из "predict_proba" или "decision_function". Если метод не реализован классификатором, он вызовет ошибку.

Атрибуты:
estimator_экземпляр estimator

Обученный классификатор, используемый при предсказании.

classes_ndarray формы (n_classes,)

Метки классов.

n_features_in_int

Количество признаков, замеченных во время fit. Определяется только если базовая оценка предоставляет такой атрибут при обучении.

feature_names_in_ndarray формы (n_features_in_,)

Имена признаков, наблюдаемых во время fit. Определяется только если базовая оценка предоставляет такой атрибут при обучении.

Смотрите также

sklearn.model_selection.TunedThresholdClassifierCV

Классификатор, который пост-настраивает порог принятия решений на основе некоторых метрик с использованием перекрестной проверки.

sklearn.calibration.CalibratedClassifierCV

Оценщик, который калибрует вероятности.

Примеры

>>> from sklearn.datasets import make_classification
>>> from sklearn.linear_model import LogisticRegression
>>> from sklearn.metrics import confusion_matrix
>>> from sklearn.model_selection import FixedThresholdClassifier, train_test_split
>>> X, y = make_classification(
...     n_samples=1_000, weights=[0.9, 0.1], class_sep=0.8, random_state=42
... )
>>> X_train, X_test, y_train, y_test = train_test_split(
...     X, y, stratify=y, random_state=42
... )
>>> classifier = LogisticRegression(random_state=0).fit(X_train, y_train)
>>> print(confusion_matrix(y_test, classifier.predict(X_test)))
[[217   7]
 [ 19   7]]
>>> classifier_other_threshold = FixedThresholdClassifier(
...     classifier, threshold=0.1, response_method="predict_proba"
... ).fit(X_train, y_train)
>>> print(confusion_matrix(y_test, classifier_other_threshold.predict(X_test)))
[[184  40]
 [  6  20]]
decision_function(X)[источник]#

Функция принятия решений для образцов в X с использованием обученного оценщика.

Параметры:
X{array-like, sparse matrix} формы (n_samples, n_features)

Обучающие векторы, где n_samples — это количество образцов и n_features это количество признаков.

Возвращает:
решенияndarray формы (n_samples,)

Функция принятия решений вычисляет обученный оценщик.

fit(X, y, **params)[источник]#

Обучить классификатор.

Параметры:
X{array-like, sparse matrix} формы (n_samples, n_features)

Обучающие данные.

yarray-like формы (n_samples,)

Целевые значения.

**paramsdict

Параметры для передачи в fit метод базового классификатора.

Возвращает:
selfobject

Возвращает экземпляр self.

6332()[источник]#

Получить маршрутизацию метаданных этого объекта.

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

Возвращает:
маршрутизацияMetadataRouter

A MetadataRouter 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]#

Предсказать цель для новых образцов.

Параметры:
X{array-like, sparse matrix} формы (n_samples, n_features)

Образцы, как принято в estimator.predict.

Возвращает:
class_labelsndarray формы (n_samples,)

Предсказанный класс.

predict_log_proba(X)[источник]#

Предсказать логарифмические вероятности классов для X с использованием обученного оценщика.

Параметры:
X{array-like, sparse matrix} формы (n_samples, n_features)

Обучающие векторы, где n_samples — это количество образцов и n_features это количество признаков.

Возвращает:
log_probabilitiesndarray формы (n_samples, n_classes)

Логарифмические вероятности классов входных выборок.

predict_proba(X)[источник]#

Предсказать вероятности классов для X с использованием обученного оценщика.

Параметры:
X{array-like, sparse matrix} формы (n_samples, n_features)

Обучающие векторы, где n_samples — это количество образцов и n_features это количество признаков.

Возвращает:
вероятностиndarray формы (n_samples, n_classes)

Вероятности классов входных образцов.

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

Возвращает точность на предоставленных данных и метках.

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

Параметры:
Xarray-like формы (n_samples, n_features)

Тестовые выборки.

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_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 = '$UNCHANGED$') → FixedThresholdClassifier[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.