正交匹配追蹤#

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

正交匹配追蹤模型（OMP）。

詳情請參閱使用者指南。

參數:

n_nonzero_coefsint，預設值=None: 解中非零項的期望數量。如果設定了 tol，則會忽略此值。當 None 且 tol 也為 None 時，此值會設定為 n_features 的 10% 或 1，取兩者中的較大值。
tolfloat，預設值=None: 殘差的最大平方範數。如果不是 None，則會覆蓋 n_nonzero_coefs。
fit_interceptbool，預設值=True: 是否為此模型計算截距。如果設定為 false，則不會在計算中使用截距（即，預期資料為置中的）。
precompute‘auto’ 或 bool，預設值=’auto’: 是否使用預先計算的 Gram 和 Xy 矩陣來加速計算。當 n_targets 或 n_samples 非常大時，可以提高效能。請注意，如果您已經有此類矩陣，則可以直接將它們傳遞給 fit 方法。

屬性:

coef_形狀為 (n_features,) 或 (n_targets, n_features) 的 ndarray: 參數向量（公式中的 w）。
intercept_float 或形狀為 (n_targets,) 的 ndarray: 決策函數中的獨立項。
n_iter_int 或類陣列: 每個目標的活動特徵數量。
n_nonzero_coefs_int 或 None: 解中的非零係數數量或設定 tol 時為 None。如果 n_nonzero_coefs 為 None 且 tol 為 None，則此值會設定為 n_features 的 10% 或 1，取兩者中的較大值。
n_features_in_int: 在 fit 期間看到的特徵數量。

在 0.24 版中新增。
feature_names_in_形狀為 (n_features_in_,) 的 ndarray: 在 fit 期間看到的特徵名稱。僅當 X 具有都是字串的特徵名稱時才定義。

在 1.0 版中新增。

另請參閱

orthogonal_mp: 解決 n_targets 正交匹配追蹤問題。
orthogonal_mp_gram: 僅使用 Gram 矩陣 X.T * X 和乘積 X.T * y 解決 n_targets 正交匹配追蹤問題。
lars_path: 使用 LARS 演算法計算最小角度迴歸或 Lasso 路徑。
Lars: 最小角度迴歸模型，又名 LAR。
LassoLars: 使用最小角度迴歸（又名 Lars）擬合的 Lasso 模型。
sklearn.decomposition.sparse_encode: 通用稀疏編碼。結果的每一列都是 Lasso 問題的解。
OrthogonalMatchingPursuitCV: 交叉驗證的正交匹配追蹤模型（OMP）。

說明

正交匹配追蹤在 G. Mallat, Z. Zhang, Matching pursuits with time-frequency dictionaries, IEEE Transactions on Signal Processing, Vol. 41, No. 12. (December 1993), pp. 3397-3415. 中介紹。(https://www.di.ens.fr/~mallat/papiers/MallatPursuit93.pdf)

此實作基於 Rubinstein, R., Zibulevsky, M. 和 Elad, M., Efficient Implementation of the K-SVD Algorithm using Batch Orthogonal Matching Pursuit Technical Report - CS Technion, April 2008。 https://www.cs.technion.ac.il/~ronrubin/Publications/KSVD-OMP-v2.pdf

範例

>>> 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)[來源]#

使用 X、y 作為訓練資料來擬合模型。

參數:

X形狀為 (n_samples, n_features) 的類陣列: 訓練資料。
y形狀為 (n_samples,) 或 (n_samples, n_targets) 的類陣列: 目標值。如有必要，將會轉換為 X 的 dtype。

返回:

self物件: 返回 self 的執行個體。

get_metadata_routing()[來源]#

取得此物件的中繼資料路由。

請檢查使用者指南，瞭解路由機制如何運作。

返回:

routingMetadataRequest: 封裝路由資訊的 MetadataRequest。

get_params(deep=True)[來源]#

取得此估算器的參數。

參數:

deepbool，預設值=True: 如果為 True，將返回此估算器的參數，以及包含在內的子物件（也是估算器）。

返回:

paramsdict: 參數名稱對應到其值。

predict(X)[來源]#

使用線性模型進行預測。

參數:

X類陣列或稀疏矩陣，形狀為 (n_samples, n_features): 範例。

返回:

C陣列，形狀為 (n_samples,): 返回預測值。

score(X, y, sample_weight=None)[來源]#

返回預測的決定係數。

決定係數 $R^2$ 定義為 $(1 - \frac{u}{v})$，其中 $u$ 是殘差平方和 ((y_true - y_pred)** 2).sum()，而 $v$ 是總平方和 ((y_true - y_true.mean()) ** 2).sum()。最佳可能分數為 1.0，而且可能是負數（因為模型可能會任意更糟）。一個始終預測 y 期望值的常數模型（忽略輸入特徵）的 $R^2$ 分數為 0.0。

參數:

X形狀為 (n_samples, n_features) 的類陣列: 測試範例。對於某些估算器，這可能是預先計算的核矩陣，或是形狀為 (n_samples, n_samples_fitted) 的一般物件清單，其中 n_samples_fitted 是估算器擬合中使用的範例數量。
y形狀為 (n_samples,) 或 (n_samples, n_outputs) 的類陣列: X 的真實值。
sample_weight形狀為 (n_samples,) 的類陣列，預設值=None: 樣本權重。

返回:

scorefloat: $R^2$ 相對於 y 的 self.predict(X) 的值。

說明

在回歸器上呼叫 score 時使用的 $R^2$ 分數，從 0.23 版本開始使用 multioutput='uniform_average'，以保持與 r2_score 的預設值一致。這會影響所有多輸出回歸器的 score 方法（除了 MultiOutputRegressor）。

set_params(**params)[原始碼]#

設定此估算器的參數。

此方法適用於簡單的估算器以及巢狀物件（例如 Pipeline）。後者的參數形式為 <component>__<parameter>，因此可以更新巢狀物件的每個組件。

參數:

**paramsdict: 估算器參數。

返回:

self估算器實例: 估算器實例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → OrthogonalMatchingPursuit[原始碼]#

請求傳遞給 score 方法的中繼資料。

請注意，此方法僅在 enable_metadata_routing=True 時相關（請參閱 sklearn.set_config）。請參閱使用者指南，了解路由機制如何運作。

每個參數的選項如下：

True：請求中繼資料，並在提供時傳遞給 score。如果未提供中繼資料，則忽略該請求。
False：不請求中繼資料，且元估算器不會將其傳遞給 score。
None：不請求中繼資料，如果使用者提供，元估算器將引發錯誤。
str：中繼資料應使用此給定的別名而不是原始名稱傳遞給元估算器。

預設值 (sklearn.utils.metadata_routing.UNCHANGED) 保留現有的請求。這允許您變更某些參數的請求，而不變更其他參數的請求。

1.3 版本新增。

注意

僅當此估算器用作元估算器的子估算器時，此方法才相關，例如在 Pipeline 中使用。否則，它沒有任何效果。

參數:

sample_weightstr、True、False 或 None，預設值=sklearn.utils.metadata_routing.UNCHANGED: score 中 sample_weight 參數的中繼資料路由。

返回:

self物件: 更新後的物件。

範例展示#

正交匹配追蹤