OrthogonalMatchingPursuit

classsklearn.linear_model.OrthogonalMatchingPursuit(*, n_nonzero_coefs=None, tol=None, fit_intercept=True, precompute='auto')[исходный код]

Модель ортогонального жадного поиска (OMP).

Подробнее см. в Руководстве пользователя.

Параметры:

n_nonzero_coefsint, default=None

Желаемое количество ненулевых элементов в решении. Игнорируется, если задано tol. Если None и tol также None, это значение устанавливается равным 10% от n_features или 1 — в зависимости от того, какое значение больше.

tolfloat, default=None

Максимальная квадрат нормы остатка. Если значение не равно None, переопределяет n_nonzero_coefs.

fit_interceptbool, default=True

Следует ли вычислять свободный член для этой модели. Если задано значение false, при вычислениях свободный член использоваться не будет (то есть предполагается, что данные центрированы).

precompute‘auto’ или bool, default=’auto’

Следует ли использовать предварительно вычисленные матрицы Грама и Xy для ускорения вычислений. Повышает производительность, когда n_targets или n_samples очень велико.

Атрибуты:

coef_ndarray формы (n_features,) или (n_targets, n_features)

Вектор параметров (w в формуле).

intercept_float или ndarray формы (n_targets,)

Свободный член функции принятия решения.

n_iter_int или array-like

Количество активных признаков для каждой цели.

n_nonzero_coefs_int или None

Количество ненулевых коэффициентов в решении или None, если задано tol. Если n_nonzero_coefs равно None и tol равно None, это значение устанавливается равным 10% от n_features или 1 — в зависимости от того, какое значение больше.

n_features_in_int

Количество признаков, обнаруженных во время fit.

Добавлено в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Названия признаков, обнаруженных во время fit. Определяется только в том случае, если X содержит названия признаков, каждое из которых является строкой.

Добавлено в версии 1.0.

См. также

orthogonal_mp

Решает задачи ортогонального жадного поиска для n_targets целевых переменных.

orthogonal_mp_gram

Решает задачи ортогонального жадного поиска для n_targets целевых переменных, используя только матрицу Грама X.T * X и произведение X.T * y.

lars_path

Вычисляет траекторию регрессии наименьшего угла или Лассо с помощью алгоритма LARS.

Lars

Модель регрессии наименьшего угла, также известная как LAR.

LassoLars

Модель Лассо, обученная с помощью регрессии наименьшего угла (Lars).

sklearn.decomposition.sparse_encode

Общее разреженное кодирование. Каждый столбец результата является решением задачи Лассо.

OrthogonalMatchingPursuitCV

Модель ортогонального жадного поиска с перекрёстной проверкой (OMP).

Примечания

Ортогональный жадный поиск был представлен в работе G. Mallat, Z. Zhang, Matching pursuits with time-frequency dictionaries, IEEE Transactions on Signal Processing, Vol. 41, No. 12. (December 1993), pp. 3397-3415. (https://www.di.ens.fr/~mallat/papiers/MallatPursuit93.pdf)

Эта реализация основана на работе Rubinstein, R., Zibulevsky, M. and 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

Примеры

>>> 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)[исходный код]

Обучает модель на обучающих данных X, y.

Параметры:

Xarray-like формы (n_samples, n_features)

Обучающие данные.

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

Целевые значения. При необходимости будут приведены к типу данных X.

Возвращает:

selfobject

Возвращает экземпляр self.

get_metadata_routing()[исходный код]

Получает настройки маршрутизации метаданных этого объекта.

О том, как работает механизм маршрутизации, см. в Руководстве пользователя.

Возвращает:

routingMetadataRequest

Объект MetadataRequest, содержащий информацию о маршрутизации.

get_params(deep=True)[исходный код]

Получает параметры этого оценивателя.

Параметры:

deepbool, default=True

Если значение True, возвращает параметры этого оценивателя и содержащихся в нём подобъектов, которые являются оценивателями.

Возвращает:

paramsdict

Имена параметров, сопоставленные с их значениями.

predict(X)[исходный код]

Выполняет предсказание с помощью линейной модели.

Параметры:

Xarray-like или разреженная матрица формы (n_samples, n_features)

Образцы.

Возвращает:

Cndarray формы (n_samples,) или (n_samples, n_outputs)

Предсказанные значения.

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

Возвращает коэффициент детерминации на тестовых данных.

Коэффициент детерминации \(R^2\) определяется как \((1 - \frac{u}{v})\), где \(u\) — сумма квадратов остатков ((y_true - y_pred)** 2).sum(), а \(v\) — общая сумма квадратов ((y_true - y_true.mean()) ** 2).sum(). Наилучшее возможное значение оценки — 1.0; она может быть отрицательной (поскольку модель может быть сколь угодно хуже). Константная модель, всегда предсказывающая ожидаемое значение y без учёта входных признаков, получила бы оценку \(R^2\), равную 0.0.

Параметры:

Xarray-like формы (n_samples, n_features)

Тестовые образцы. Для некоторых оценивателей это может быть предварительно вычисленная матрица ядра или список обобщённых объектов формы (n_samples, n_samples_fitted), где n_samples_fitted — количество образцов, использованных при обучении оценивателя.

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

Истинные значения для X.

sample_weightarray-like формы (n_samples,), default=None

Веса образцов.

Возвращает:

scorefloat

Значение \(R^2\) для self.predict(X) относительно y.

Примечания

При вызове score для регрессора используется оценка \(R^2\) с multioutput='uniform_average' начиная с версии 0.23, чтобы соответствовать значению по умолчанию для r2_score. Это влияет на метод score всех регрессоров с несколькими выходами (кроме MultiOutputRegressor).

set_params(**params)[исходный код]

Задаёт параметры этого оценивателя.

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

Параметры:

**paramsdict

Параметры оценивателя.

Возвращает:

selfэкземпляр оценивателя

Экземпляр оценивателя.

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

Настраивает, следует ли запрашивать передачу метаданных в метод score.

Обратите внимание, что этот метод актуален только при использовании данного оценивателя как вложенного оценивателя в составе метаоценивателя и включённой маршрутизации метаданных с помощью enable_metadata_routing=True (см. sklearn.set_config). О том, как работает механизм маршрутизации, см. в Руководстве пользователя.

Для каждого параметра доступны следующие варианты:

• True: метаданные запрашиваются и передаются в score, если они предоставлены. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и метаоцениватель не передаёт их в score.
• None: метаданные не запрашиваются, а метаоцениватель вызовет ошибку, если пользователь их предоставит.
• str: метаданные следует передать метаоценивателю под указанным псевдонимом вместо исходного имени.

Значение по умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет текущий 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, default=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для параметра sample_weight в score.

Возвращает:

selfobject

Обновлённый объект.

Примеры из галереи

Ортогональный жадный поиск