MultiOutputClassifier#

класс sklearn.multioutput.MultiOutputClassifier(estimator, *, n_jobs=None)[источник]#

Многоклассовая классификация.

Эта стратегия заключается в обучении одного классификатора на каждую цель. Это простая стратегия для расширения классификаторов, которые изначально не поддерживают многозадачную классификацию.

Параметры:
estimatorобъект оценщика

Объект оценщика, реализующий fit и predict. A predict_proba метод будет доступен только если estimator реализует это.

n_jobsint или None, опционально (по умолчанию=None)

Количество параллельно выполняемых задач. fit, predict и partial_fit (если поддерживается переданным оценщиком) будет распараллелена для каждой цели.

Когда отдельные оценщики быстро обучаются или предсказывают, использование n_jobs > 1 может привести к более медленной производительности из-за накладных расходов на параллелизм.

None средние значения 1 если только не в joblib.parallel_backend контекст. -1 означает использование всех доступных процессов / потоков. См. Глоссарий для получения дополнительной информации.

Изменено в версии 0.20: n_jobs значение по умолчанию изменено с 1 to None.

Атрибуты:
classes_ndarray формы (n_classes,)

Метки классов.

estimators_список n_output оценщики

Оценщики, используемые для предсказаний.

n_features_in_int

Количество признаков, замеченных во время fit. Определено только если базовый estimator предоставляет такой атрибут при обучении.

Добавлено в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Имена признаков, наблюдаемых во время fit. Определяется только в том случае, если базовые модели предоставляют такой атрибут при обучении.

Добавлено в версии 1.0.

Смотрите также

ClassifierChain

Многометочная модель, которая организует бинарные классификаторы в цепочку.

MultiOutputRegressor

Обучает один регрессор на каждую целевую переменную.

Примеры

>>> import numpy as np
>>> from sklearn.datasets import make_multilabel_classification
>>> from sklearn.multioutput import MultiOutputClassifier
>>> from sklearn.linear_model import LogisticRegression
>>> X, y = make_multilabel_classification(n_classes=3, random_state=0)
>>> clf = MultiOutputClassifier(LogisticRegression()).fit(X, y)
>>> clf.predict(X[-2:])
array([[1, 1, 1],
       [1, 0, 1]])
fit(X, Y, sample_weight=None, **fit_params)[источник]#

Обучить модель на матрице признаков X и целевых значениях Y.

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

Входные данные.

Yarray-like формы (n_samples, n_classes)

Целевые значения.

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

Веса выборок. Если None, тогда выборки имеют одинаковый вес. Поддерживается только если базовый классификатор поддерживает веса выборок.

**fit_paramsсловарь строк -> объект

Параметры, передаваемые в estimator.fit метод каждого шага.

Добавлено в версии 0.23.

Возвращает:
selfobject

Возвращает обученный экземпляр.

6332()[источник]#

Получить маршрутизацию метаданных этого объекта.

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

Добавлено в версии 1.3.

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.

partial_fit(X, y, классы=None, sample_weight=None, **partial_fit_params)[источник]#

Инкрементально обучать отдельную модель для каждого выходного класса.

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

Входные данные.

y{array-like, sparse matrix} формы (n_samples, n_outputs)

Многовыходные целевые переменные.

классысписок ndarray формы (n_outputs,), по умолчанию=None

Каждый массив - это уникальные классы для одного выхода в str/int. Может быть получен через [np.unique(y[:, i]) for i in range(y.shape[1])], где y является целевой матрицей всего набора данных. Этот аргумент обязателен для первого вызова partial_fit и может быть опущен в последующих вызовах. Обратите внимание, что y не обязательно должен содержать все метки в classes.

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

Веса выборок. Если None, тогда образцы имеют одинаковый вес. Поддерживается только если базовый регрессор поддерживает веса образцов.

**partial_fit_paramsdict of str -> object

Параметры, передаваемые в estimator.partial_fit метод каждого подоценщика.

Доступно только если enable_metadata_routing=True. См. Руководство пользователя.

Добавлено в версии 1.3.

Возвращает:
selfobject

Возвращает обученный экземпляр.

predict(X)[источник]#

Прогнозирование многомерной выходной переменной с использованием модели для каждой целевой переменной.

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

Входные данные.

Возвращает:
y{array-like, sparse matrix} формы (n_samples, n_outputs)

не равно

predict_proba(X)[источник]#

Вернуть вероятности предсказания для каждого класса каждого выхода.

Этот метод вызовет ValueError если какой-либо из оценщиков не имеет predict_proba.

Параметры:
Xarray-like формы (n_samples, n_features)

Входные данные.

Возвращает:
pмассив формы (n_samples, n_classes) или список из n_outputs таких массивов, если n_outputs > 1.

Вероятности классов входных выборок. Порядок классов соответствует порядку в атрибуте classes_.

Изменено в версии 0.19: Эта функция теперь возвращает список массивов, длина которого равна n_outputs, и каждый массив имеет размер (n_samples, n_classes) для этого конкретного вывода.

score(X, y)[источник]#

Возвращает среднюю точность на предоставленных тестовых данных и метках.

Параметры:
Xarray-like формы (n_samples, n_features)

Тестовые выборки.

yarray-like формы (n_samples, n_outputs)

Истинные значения для X.

Возвращает:
scoresfloat

Средняя точность предсказанных целевых значений по сравнению с истинными целевыми значениями.

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

Настроить, следует ли запрашивать передачу метаданных в partial_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 partial_fit если предоставлено. Запрос игнорируется, если метаданные не предоставлены.

  • False: метаданные не запрашиваются, и мета-оценщик не передаст их в partial_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:
классыstr, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для classes параметр в partial_fit.

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

Маршрутизация метаданных для sample_weight параметр в partial_fit.

Возвращает:
selfobject

Обновленный объект.