DummyClassifier

classsklearn.dummy.DummyClassifier(*, strategy='prior', random_state=None, constant=None)[source]

DummyClassifier создаёт предсказания, игнорирующие входные признаки.

Этот классификатор служит простым эталоном для сравнения с другими более сложными классификаторами.

Конкретное поведение эталона выбирается с помощью параметра strategy.

Все стратегии генерируют предсказания, игнорирующие значения входных признаков, переданные в качестве аргумента X к fit и predict. Однако предсказания обычно зависят от значений, наблюдаемых в параметре y, переданном в fit.

Обратите внимание, что стратегии «stratified» и «uniform» приводят к недетерминированным предсказаниям, которые можно сделать детерминированными, если необходимо, установив параметр random_state. Другие стратегии по своей природе детерминированы и, после обучения, всегда возвращают одно и то же постоянное предсказание для любого значения X.

Дополнительную информацию см. в Руководстве пользователя.

Добавлен в версии 0.13.

Параметры:

strategy{“most_frequent”, “prior”, “stratified”, “uniform”, “constant”}, по умолчанию=”prior”

Стратегия для генерации предсказаний.

• “most_frequent”: метод predict всегда возвращает метку класса, наиболее часто встречающуюся в наблюдаемом значении y аргументе, переданном в fit. Метод predict_proba возвращает соответствующий вектор с кодированием в одну-горячую.
• “prior”: метод predict всегда возвращает метку класса, наиболее часто встречающуюся в наблюдаемом значении y аргументе, переданном в fit (как и в случае “most_frequent”). predict_proba всегда возвращает эмпирическое распределение классов y, также известное как эмпирическое распределение долей классов.
• “stratified”: метод predict_proba случайным образом выбирает векторы с кодированием в одну-горячую из многомерного распределения, параметризованного эмпирическими вероятностями долей классов. Метод predict возвращает метку класса, получившую вероятность один в векторе с кодированием в одну-горячую для predict_proba. Таким образом, каждая выборка строки обоих методов независима и одинаково распределена.
• “uniform”: генерирует предсказания равномерно случайным образом из списка уникальных классов, наблюдаемых в y, т.е. каждый класс имеет одинаковую вероятность.

• “constant”: всегда предсказывает постоянную метку, предоставляемую пользователем. Это полезно для метрик, оценивающих класс, не являющийся большинством.

  Изменено в версии 0.24: Значение по умолчанию для strategy изменено на “prior” в версии 0.24.

random_stateint, RandomState instance или None, по умолчанию=None

Управляет случайностью при генерации предсказаний при использовании strategy='stratified' или strategy='uniform'. Передайте целое число для воспроизводимого результата при нескольких вызовах функции. См. Глоссарий.

constantint или str или array-like формы (n_outputs,), по умолчанию=None

Явное постоянное значение, предсказываемое стратегией “constant”. Этот параметр полезен только для стратегии “constant”.

Атрибуты:

classes_ndarray формы (n_classes,) или список таких массивов

Уникальные метки классов, наблюдаемые в y. Для задач многовыходной классификации этот атрибут представляет собой список массивов, так как каждый выход имеет независимый набор возможных классов.

n_classes_int или список целых чисел

Количество меток для каждого выхода.

class_prior_ndarray формы (n_classes,) или список таких массивов

Частота каждого класса, наблюдаемая в y. Для многовыходных задач классификации это вычисляется независимо для каждого выхода.

n_features_in_int

Количество признаков, увиденных во время обучения.

feature_names_in_ndarray формы (n_features_in_,)

Имена признаков, увиденные во время обучения. Определены только тогда, когда X имеет имена признаков, которые все являются строками.

n_outputs_int

Количество выходов.

sparse_output_bool

True, если массив, возвращаемый из predict, должен быть в формате разреженной матрицы CSC. Автоматически устанавливается в True, если вход y передан в разреженном формате.

См. также

DummyRegressor

Регрессор, который делает предсказания, используя простые правила.

Примеры

>>> import numpy as np
>>> from sklearn.dummy import DummyClassifier
>>> X = np.array([-1, 1, 1, 1])
>>> y = np.array([0, 1, 1, 1])
>>> dummy_clf = DummyClassifier(strategy="most_frequent")
>>> dummy_clf.fit(X, y)
DummyClassifier(strategy='most_frequent')
>>> dummy_clf.predict(X)
array([1, 1, 1, 1])
>>> dummy_clf.score(X, y)
0.75

fit(X, y, sample_weight=None)[source]

Обучение базового классификатора.

Параметры:

Xarray-like формы (n_samples, n_features)

Данные обучения.

yarray-like формы (n_samples,) или (n_samples, n_outputs)

Значения целевой переменной.

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

Веса образцов.

Возвращает:

selfobject

Возвращает сам экземпляр.

get_metadata_routing()[source]

Получить маршрутизацию метаданных этого объекта.

Подробности о том, как работает механизм маршрутизации, см. в Руководстве пользователя.

Возвращает:

routingMetadataRequest

MetadataRequest , содержащий информацию о маршрутизации.

get_params(deep=True)[source]

Получить параметры данного оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, возвращает параметры данного оценщика и вложенных подобъектов, являющихся оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные с их значениями.

predict(X)[source]

Выполнить классификацию на тестовых векторах X.

Параметры:

Xarray-like формы (n_samples, n_features)

Тестовые данные.

Возвращает:

yarray-like формы (n_samples,) или (n_samples, n_outputs)

Предсказанные значения целевой переменной для X.

predict_log_proba(X)[source]

Возвращает оценки логарифмов вероятностей для тестовых векторов X.

Параметры:

X{array-like, объект с конечной длиной или формой}

Данные обучения.

Возвращает:

Pndarray формы (n_samples, n_classes) или список таких массивов

Возвращает логарифм вероятности выборки для каждого класса в модели, где классы упорядочены арифметически для каждого выхода.

predict_proba(X)[source]

Возвращает оценки вероятностей для тестовых векторов X.

Параметры:

Xarray-like формы (n_samples, n_features)

Тестовые данные.

Возвращает:

Pndarray формы (n_samples, n_classes) или список таких массивов

Возвращает вероятность выборки для каждого класса в модели, где классы упорядочены арифметически для каждого выхода.

score(X, y, sample_weight=None)[source]

Возвращает среднюю точность на заданных тестовых данных и метках.

В многоклассовой классификации это точность подмножества, которая является жёсткой метрикой, так как для каждой выборки требуется, чтобы каждый набор меток был предсказан правильно.

Параметры:

XNone или array-like формы (n_samples, n_features)

Тестовые примеры. Передача None в качестве тестовых примеров даёт тот же результат, что и передача реальных тестовых примеров, так как DummyClassifier работает независимо от выборочных наблюдений.

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) по отношению к y.

set_fit_request(*, sample_weight:bool|None|str='$UNCHANGED$') → DummyClassifier[source]

Запрос метаданных, переданных методу fit. Примечание: этот метод актуален только если enable_metadata_routing=True, (см. sklearn.set_config). См. Руководство пользователя по тому, как работает механизм маршрутизации.

Варианты для каждого параметра:

• True: метаданные запрашиваются и передаются в fit если указаны. 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 выведет ошибку, если пользователь предоставит их.
• str: метаданные должны передаваться мета-оценщику с этим псевдонимом вместо оригинального имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED): сохраняется существующий запрос. Это позволяет изменить запрос для некоторых параметров и не для других.

Добавлен в версии 1.3.

Примечание

Этот метод актуален только если этот оценщик используется как под-оценщик мета-оценщика, например, внутри Pipeline. В противном случае он не имеет эффекта.

Параметры:

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

Маршрутизация метаданных для параметра sample_weight в fit.

Возвращает:

selfобъект

Обновленный объект.

set_params(**params)[source]

Устанавливает параметры этого оценщика.

Метод работает с простыми оценщиками, а также с вложенными объектами (такими как Pipeline). Последние имеют параметры вида <component>__<parameter>, чтобы можно было обновить каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

set_score_request(*, sample_weight:bool|None|str='$UNCHANGED$') → DummyClassifier[source]

Запрос метаданных, передаваемых методу score.

Обратите внимание, что этот метод актуален только, если enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, ознакомьтесь с Руководством пользователя по работе механизма маршрутизации.

Варианты для каждого параметра:

• True: метаданные запрашиваются и передаются в score при наличии. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и мета-эстиматор не передаст их в score.
• None: метаданные не запрашиваются, и мета-эстиматор выдаст ошибку, если пользователь предоставит их.
• str: метаданные должны передаваться мета-эстиматору с этим псевдонимом вместо оригинального имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняется существующий запрос. Это позволяет изменить запрос для некоторых параметров и не менять для других.

Добавлен в версии 1.3.

Примечание

Этот метод актуален только в том случае, если этот оценщик используется в качестве под-оценщика мета-оценщика, например, внутри Pipeline. В противном случае он не оказывает никакого влияния.

Parameters:

sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для параметра sample_weight в score.

Returns:

selfobject

Обновленный объект.

Примеры галереи

Деревья решений с AdaBoost для многоклассовой классификации

Коэффициенты правдоподобия классов для оценки производительности классификации

Настройка порога принятия решений для обучения с учетом стоимости