DummyClassifier

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

DummyClassifier делает прогнозы, игнорируя входные признаки.

Этот классификатор служит простой базовой моделью для сравнения с другими, более сложными классификаторами.

Конкретное поведение базовой модели задается параметром strategy.

Все стратегии строят прогнозы, игнорируя значения входных признаков, переданные в качестве аргумента X методам fit и predict. Однако прогнозы обычно зависят от значений, наблюдаемых в параметре y, переданном в fit.

Обратите внимание, что стратегии «stratified» и «uniform» приводят к недетерминированным прогнозам, которые при необходимости можно сделать детерминированными, задав параметр random_state. Остальные стратегии по своей природе детерминированы и после обучения всегда возвращают один и тот же постоянный прогноз для любого значения X.

Подробнее см. в руководстве пользователя.

Добавлено в версии 0.13.

Параметры:

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

Стратегия, используемая для построения прогнозов.

«most_frequent»: метод predict всегда возвращает метку самого частого класса в наблюдаемом аргументе y, переданном в fit. Метод predict_proba возвращает соответствующий вектор в кодировке one-hot.
«prior»: метод predict всегда возвращает метку самого частого класса в наблюдаемом аргументе y, переданном в fit (как и «most_frequent»). predict_proba всегда возвращает эмпирическое распределение классов для y, также известное как эмпирическое априорное распределение классов.
«stratified»: метод predict_proba случайным образом выбирает one-hot-векторы из мультиномиального распределения, параметризованного эмпирическими априорными вероятностями классов. Метод predict возвращает метку класса, вероятность которого равна единице в one-hot-векторе predict_proba. Таким образом, каждая выбранная строка обоих методов является независимой и одинаково распределенной.
«uniform»: случайным образом и равномерно строит прогнозы на основе списка уникальных классов, наблюдаемых в y, то есть все классы имеют одинаковую вероятность.
«constant»: всегда предсказывает постоянную метку, заданную пользователем. Это полезно для метрик, оценивающих класс, не являющийся большинством.

Изменено в версии 0.24: В версии 0.24 значение параметра strategy по умолчанию изменено на «prior».

random_stateint, экземпляр RandomState или None, по умолчанию=None

Управляет случайностью при построении прогнозов для стратегий strategy='stratified' или strategy='uniform'. Передайте целое число, чтобы получать воспроизводимый результат при нескольких вызовах функции. См. глоссарий.

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

Явная константа, предсказываемая стратегией «constant». Этот параметр используется только для стратегии «constant».

Атрибуты:

classes_ndarray формы (n_classes,) или список таких массивов: Уникальные метки классов, наблюдаемые в y. Для задач классификации с несколькими выходами этот атрибут представляет собой список массивов, поскольку для каждого выхода имеется собственный набор возможных классов.
n_classes_int или список int: Количество меток для каждого выхода.
class_prior_ndarray формы (n_classes,) или список таких массивов: Частота каждого класса, наблюдаемого в y. Для задач классификации с несколькими выходами это значение вычисляется отдельно для каждого выхода.
n_features_in_int: Количество признаков, полученных во время обучения.
feature_names_in_ndarray формы (n_features_in_,): Названия признаков, полученные во время обучения. Определяется только в том случае, если X содержит названия признаков, представленные строками.
n_outputs_int: Количество выходов.
sparse_output_bool: Равно True, если массив, возвращаемый методом predict, должен иметь разреженный формат CSC. Автоматически устанавливается в True, если входной y передан в разреженном формате.

См. также

DummyRegressor: Регрессор, строящий прогнозы на основе простых правил.

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)[исходный код]

Обучить базовый классификатор.

Параметры:

Xarray-like формы (n_samples, n_features): Обучающие данные.
yarray-like формы (n_samples,) или (n_samples, n_outputs): Целевые значения.
sample_weightarray-like формы (n_samples,), по умолчанию=None: Веса объектов.

Возвращает:

selfobject: Возвращает сам экземпляр.

get_metadata_routing()[исходный код]

Получить сведения о маршрутизации метаданных этого объекта.

Информацию о работе механизма маршрутизации см. в руководстве пользователя.

Возвращает:

routingMetadataRequest: Объект MetadataRequest, содержащий сведения о маршрутизации.

get_params(deep=True)[исходный код]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True: Если True, возвращает параметры этого оценщика и вложенных объектов, являющихся оценщиками.

Возвращает:

paramsdict: Имена параметров и соответствующие им значения.

predict(X)[исходный код]

Выполнить классификацию тестовых векторов X.

Параметры:

Xarray-like формы (n_samples, n_features): Тестовые данные.

Возвращает:

yarray-like формы (n_samples,) или (n_samples, n_outputs): Предсказанные целевые значения для X.

predict_log_proba(X)[исходный код]

Вернуть оценки логарифма вероятности для тестовых векторов X.

Параметры:

X{array-like, объект с конечной длиной или формой}: Обучающие данные.

Возвращает:

Pndarray формы (n_samples, n_classes) или список таких массивов: Возвращает логарифм вероятности образца для каждого класса модели; для каждого выхода классы упорядочены арифметически.

predict_proba(X)[исходный код]

Вернуть оценки вероятности 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 образца для каждого класса модели; для каждого выхода классы упорядочены арифметически.

score(X, y, sample_weight=None)[исходный код]

Вернуть среднюю точность на указанных тестовых данных и метках.

В многометочной классификации это точность по подмножествам — строгая метрика, поскольку для каждого образца требуется правильно предсказать весь набор меток.

Параметры:

XNone или array-like формы (n_samples, n_features): Тестовые образцы. Передача None вместо тестовых образцов дает тот же результат, что и передача реальных тестовых образцов, поскольку DummyClassifier работает независимо от выбранных 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 образцов.

Возвращает:

scorefloat: Средняя точность self.predict(X) относительно y.

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

Настроить, следует ли запрашивать передачу метаданных методу fit.

Обратите внимание, что этот метод имеет значение только тогда, когда данный оценщик используется как вложенный оценщик внутри метаоценщика и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). Информацию о работе механизма маршрутизации см. в руководстве пользователя.

Для каждого параметра доступны следующие варианты:

True: метаданные запрашиваются и, если они предоставлены, передаются в fit. Если метаданные не предоставлены, запрос игнорируется.
False: метаданные не запрашиваются, и метаоценщик не будет передавать их в fit.
None: метаданные не запрашиваются; если пользователь их предоставит, метаоценщик вызовет ошибку.
str: метаданные следует передавать метаоценщику под указанным псевдонимом вместо исходного имени.

Значение по умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет существующий запрос. Это позволяет изменить запрос для одних параметров, не меняя его для остальных.

Добавлено в версии 1.3.

Параметры:

sample_weightstr, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED: Маршрутизация метаданных для параметра sample_weight метода fit.

Возвращает:

selfobject: Обновленный объект.

set_params(**params)[исходный код]

Задать параметры этого оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (например, Pipeline). Параметры последних имеют вид <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict: Параметры оценщика.

Возвращает:

selfэкземпляр оценщика: Экземпляр оценщика.

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

Настроить, следует ли запрашивать передачу метаданных методу score.

Для каждого параметра доступны следующие варианты:

True: метаданные запрашиваются и, если они предоставлены, передаются в score. Если метаданные не предоставлены, запрос игнорируется.
False: метаданные не запрашиваются, и метаоценщик не будет передавать их в score.
None: метаданные не запрашиваются; если пользователь их предоставит, метаоценщик вызовет ошибку.
str: метаданные следует передавать метаоценщику под указанным псевдонимом вместо исходного имени.

Добавлено в версии 1.3.

Параметры:

sample_weightstr, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED: Маршрутизация метаданных для параметра sample_weight метода score.

Возвращает:

selfobject: Обновленный объект.

Примеры из галереи

Деревья решений AdaBoost для нескольких классов

Настройка порога принятия решения для обучения с учетом стоимости

Кривая компромисса между обнаружением и ошибкой (DET)

Отношения правдоподобия классов для оценки качества классификации

© 2007–2026 The scikit-learn developers
Licensed under the 3-clause BSD License.
https://scikit-learn.org/1.9/modules/generated/sklearn.dummy.DummyClassifier.html