OrthogonalMatchingPursuitCV#

class sklearn.linear_model.OrthogonalMatchingPursuitCV(*, copy=True, fit_intercept=True, max_iter=None, cv=None, n_jobs=None, verbose=False)[原始碼]#

交叉驗證正交匹配追蹤模型 (OMP)。

請參閱詞彙表中關於交叉驗證估計器的條目。

在使用者指南中閱讀更多內容。

參數:

copybool，預設值為 True

演算法是否必須複製設計矩陣 X。只有當 X 已排序為 Fortran 順序時，此值才為 false，否則仍會進行複製。

fit_interceptbool，預設值為 True

是否為此模型計算截距。若設定為 false，則計算中不會使用截距（即預期資料是置中的）。

max_iterint，預設值為 None

要執行的最大迭代次數，因此是要包含的最大特徵數。若有的話，是 n_features 的 10%，但至少為 5。

cvint、交叉驗證產生器或可迭代物件，預設值為 None

決定交叉驗證分割策略。 cv 的可能輸入值為

None，使用預設的 5 折交叉驗證，
整數，指定折數。
CV 分割器,
一個可迭代物件，會產生 (訓練, 測試) 分割，作為索引陣列。

對於整數/None 輸入，會使用 KFold。

請參考使用者指南，了解此處可以使用的各種交叉驗證策略。

在 0.22 版本中變更：如果為 None，cv 的預設值從 3 折變更為 5 折。

n_jobsint，預設值為 None

在交叉驗證期間要使用的 CPU 數量。None 表示 1，除非在 joblib.parallel_backend 內容中。-1 表示使用所有處理器。請參閱詞彙表以了解更多詳細資訊。

verbosebool 或 int，預設值為 False

設定詳細資訊的數量。

屬性:

intercept_float 或形狀為 (n_targets,) 的 ndarray: 決策函式中的獨立項。
coef_形狀為 (n_features,) 或 (n_targets, n_features) 的 ndarray: 參數向量（問題公式中的 w）。
n_nonzero_coefs_int: 估計的非零係數數量，在交叉驗證折疊中給出最佳均方誤差。
n_iter_int 或類陣列: 在所有折疊中進行交叉驗證後，針對使用最佳超參數重新擬合的模型，每個目標的活動特徵數量。
n_features_in_int: 在fit期間看到的特徵數量。

在 0.24 版本中新增。
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，才定義此項。

在 1.0 版本中新增。

另請參閱

orthogonal_mp: 解決 n_targets 正交匹配追蹤問題。
orthogonal_mp_gram: 僅使用格拉姆矩陣 X.T * X 和乘積 X.T * y 來解決 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，又稱 LAR。
LassoLars: 使用最小角度迴歸擬合的 Lasso 模型，又稱 Lars。
OrthogonalMatchingPursuit: 正交匹配追蹤模型 (OMP)。
LarsCV: 交叉驗證最小角度迴歸模型。
LassoLarsCV: 使用最小角度迴歸擬合的交叉驗證 Lasso 模型。
sklearn.decomposition.sparse_encode: 一般稀疏編碼。結果的每一欄都是 Lasso 問題的解。

注意事項

在 fit 中，一旦透過交叉驗證找到非零係數的最佳數量，就會使用整個訓練集再次擬合模型。

範例

>>> from sklearn.linear_model import OrthogonalMatchingPursuitCV
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(n_features=100, n_informative=10,
...                        noise=4, random_state=0)
>>> reg = OrthogonalMatchingPursuitCV(cv=5).fit(X, y)
>>> reg.score(X, y)
0.9991...
>>> reg.n_nonzero_coefs_
np.int64(10)
>>> reg.predict(X[:1,])
array([-78.3854...])

fit(X, y, **fit_params)[原始碼]#

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,) 的類陣列: 目標值。如果需要，會強制轉換為 X 的 dtype。
**fit_paramsdict: 要傳遞給底層分割器的參數。

在 1.4 版本中新增：只有在 enable_metadata_routing=True 時才可用，可以使用 sklearn.set_config(enable_metadata_routing=True) 來設定。請參閱中繼資料路由使用者指南，以了解更多詳細資訊。

傳回值:

self物件: 傳回 self 的執行個體。

get_metadata_routing()[原始碼]#

取得此物件的中繼資料路由。

請查看使用者指南，了解路由機制如何運作。

在 1.4 版本中新增。

傳回值:

routingMetadataRouter: 一個封裝路由資訊的 MetadataRouter。

get_params(deep=True)[原始碼]#

取得此估計器的參數。

參數:

deepbool，預設值為 True: 如果為 True，則會傳回此估計器和所包含子物件（是估計器）的參數。

傳回值:

paramsdict: 參數名稱對應到其值的字典。

predict(X)[原始碼]#

使用線性模型進行預測。

參數:

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

傳回值:

C陣列，形狀 (n_samples,): 傳回預測值。

score(X, y, sample_weight=None)[原始碼]#

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()。最佳可能的分數是 1.0，並且可能是負數（因為模型可能任意差）。一個總是預測 y 的期望值，而忽略輸入特徵的常數模型，將獲得 0.0 的 $R^2$ 分數。

參數:

X形狀為 (n_samples, n_features) 的類陣列: 測試樣本。對於某些估計器，這可能是一個預先計算的核心矩陣或一個形狀為 (n_samples, n_samples_fitted) 的通用物件列表，其中 n_samples_fitted 是估計器擬合中使用的樣本數。
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，預設值為 None: 樣本權重。

傳回值:

score浮點數: self.predict(X) 相對於 y 的 $R^2$。

注意事項

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'，以與 r2_score 的預設值保持一致。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]#

設定此估計器的參數。

此方法適用於簡單的估計器以及巢狀物件（例如 Pipeline）。後者具有 <component>__<parameter> 形式的參數，因此可以更新巢狀物件的每個元件。

參數:

**params字典: 估計器參數。

傳回值:

self估計器實例: 估計器實例。

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

請求傳遞給 score 方法的中繼資料。

請注意，只有在 enable_metadata_routing=True 時，此方法才相關（請參閱 sklearn.set_config）。請參閱關於路由機制如何運作的使用者指南。

每個參數的選項是

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，則會忽略請求。
False：不請求中繼資料，並且元估計器不會將其傳遞給 score。
None：不請求中繼資料，如果使用者提供中繼資料，則元估計器會引發錯誤。
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計器。

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

在 1.3 版本中新增。

請注意

只有當此估計器用作元估計器的子估計器時，此方法才相關，例如在 Pipeline 中使用。否則，它沒有任何作用。

參數:

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

傳回值:

self物件: 已更新的物件。

範例藝廊#

正交匹配追蹤