OutputCodeClassifier

class sklearn.multiclass.OutputCodeClassifier(estimator, *, code_size=1.5, random_state=None, n_jobs=None)

（錯誤校正）輸出碼多類別策略。

基於輸出碼的策略，是將每個類別以二元碼（0 和 1 的陣列）表示。在擬合時，會針對碼本中的每個位元擬合一個二元分類器。在預測時，這些分類器會用於將新的點投影到類別空間中，並選擇最接近這些點的類別。這些策略的主要優勢在於，使用者可以控制使用的分類器數量，以便壓縮模型 (0 < code_size < 1) 或使模型更能抵抗錯誤 (code_size > 1)。請參閱文件以瞭解更多詳細資訊。

請在使用者指南中閱讀更多內容。

參數:

estimatorestimator 物件

一個實現 fit 和 decision_function 或 predict_proba 的 estimator 物件。

code_sizefloat, default=1.5

用於建立碼本的類別數百分比。介於 0 和 1 之間的數字會比一對其餘 (one-vs-the-rest) 需要更少的分類器。大於 1 的數字會比一對其餘需要更多的分類器。

random_stateint, RandomState 實例, default=None

用於初始化碼本的生成器。傳遞一個整數，以便在多次函式呼叫中產生可重現的輸出。請參閱 詞彙表。

n_jobsint, default=None

用於計算的作業數：多類別問題是平行計算的。

None 表示 1，除非在 joblib.parallel_backend 環境中。-1 表示使用所有處理器。請參閱 詞彙表 以瞭解更多詳細資訊。

屬性:

estimators_ int(n_classes * code_size) 個 estimator 的列表

用於預測的 estimator。

classes_形狀為 (n_classes,) 的 ndarray

包含標籤的陣列。

code_book_形狀為 (n_classes, len(estimators_)) 的 ndarray

包含每個類別程式碼的二元陣列。

n_features_in_int

在 fit 期間看到的特徵數量。僅在底層 estimator 在擬合時公開此屬性時定義。

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。僅在底層 estimator 在擬合時公開此屬性時定義。

在 1.0 版中新增。

另請參閱

OneVsRestClassifier

一對其餘多類別策略。

OneVsOneClassifier

一對一多類別策略。

參考資料

[1]

“透過錯誤校正輸出碼解決多類別學習問題”，Dietterich T., Bakiri G., 《人工智慧研究期刊》2, 1995。

[2]

“錯誤編碼方法和 PICT”，James G., Hastie T., 《計算和圖形統計期刊》7, 1998。

[3]

“統計學習的要素”，Hastie T., Tibshirani R., Friedman J., 第 606 頁（第二版）2008。

範例

>>> from sklearn.multiclass import OutputCodeClassifier
>>> from sklearn.ensemble import RandomForestClassifier
>>> from sklearn.datasets import make_classification
>>> X, y = make_classification(n_samples=100, n_features=4,
...                            n_informative=2, n_redundant=0,
...                            random_state=0, shuffle=False)
>>> clf = OutputCodeClassifier(
...     estimator=RandomForestClassifier(random_state=0),
...     random_state=0).fit(X, y)
>>> clf.predict([[0, 0, 0, 0]])
array([1])

fit(X, y, **fit_params)

擬合底層的 estimator。

參數:

X形狀為 (n_samples, n_features) 的 {類陣列, 稀疏矩陣}

資料。

y形狀為 (n_samples,) 的類陣列

多類別目標。

**fit_paramsdict

傳遞給每個子 estimator 的 estimator.fit 方法的參數。

在 1.4 版中新增：僅在 enable_metadata_routing=True 時可用。請參閱 中繼資料路由使用者指南以瞭解更多詳細資訊。

返回:

selfobject

傳回 self 的已擬合實例。

get_metadata_routing()

取得此物件的中繼資料路由。

請查看關於路由機制如何運作的 使用者指南。

在 1.4 版中新增。

返回:

routingMetadataRouter

封裝路由資訊的 MetadataRouter。

get_params(deep=True)

取得此 estimator 的參數。

參數:

deepbool, default=True

如果為 True，將傳回此 estimator 的參數以及包含的子物件（即 estimator）。

返回:

paramsdict

參數名稱對應到它們的值。

predict(X)

使用底層 estimator 預測多類別目標。

參數:

X形狀為 (n_samples, n_features) 的 {類陣列, 稀疏矩陣}

資料。

返回:

y形狀為 (n_samples,) 的 ndarray

預測的多類別目標。

score(X, y, sample_weight=None)

傳回給定測試資料和標籤的平均準確度。

在多標籤分類中，這是子集準確度，這是一個嚴格的指標，因為您需要每個樣本的每個標籤集都被正確預測。

參數:

X形狀如 (n_samples, n_features) 的類陣列 (array-like)

測試樣本。

y形狀如 (n_samples,) 或 (n_samples, n_outputs) 的類陣列 (array-like)

X 的真實標籤。

sample_weight形狀如 (n_samples,) 的類陣列 (array-like)，預設值為 None

樣本權重。

返回:

score浮點數 (float)

self.predict(X) 相對於 y 的平均準確度。

set_params(**params)

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）。後者具有 <component>__<parameter> 形式的參數，因此可以更新巢狀物件的每個組件。

參數:

**params字典 (dict)

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 = '$UNCHANGED$') → OutputCodeClassifier

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。

每個參數的選項為

• 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，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，則元估算器會引發錯誤。

• str：應將中繼資料以給定的別名而非原始名稱傳遞給元估算器。

預設值 ( sklearn.utils.metadata_routing.UNCHANGED ) 會保留現有的請求。這讓您可以變更某些參數的請求，而不變更其他參數。

於 1.3 版本新增。

注意

此方法僅在將此估算器用作元估算器的子估算器時相關，例如在 Pipeline 中使用。否則它不會產生任何影響。

參數:

sample_weightstr、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。

返回:

selfobject

更新的物件。

範例展示

多類別訓練元估算器概述

多類別訓練元估算器概述