OrthogonalMatchingPursuitCV

classsklearn.linear_model.OrthogonalMatchingPursuitCV(*, copy=True, fit_intercept=True, max_iter=None, cv=None, n_jobs=None, verbose=False)[source]

Модель преследующего ортогональное соответствие (OMP) с перекрестной проверкой.

См. запись в глоссарии для оценщика перекрестной проверки.

Дополнительные сведения см. в Руководстве пользователя.

Параметры:

copybool, по умолчанию=True

Нужно ли алгоритму копировать матрицу проектирования X. Значение False полезно только если X уже упорядочена по Фортрану, иначе копия создается в любом случае.

fit_interceptbool, по умолчанию=True

Нужно ли рассчитывать сдвиг для этой модели. Если установлено в false, сдвиг не будет использоваться в расчётах (т.е. данные должны быть центрированы).

max_iterint, по умолчанию=None

Максимальное количество итераций, а значит и максимальное количество включённых признаков. 10% от n_features, но не менее 5, если доступно.

cvint, генератор перекрестной проверки или итерируемый объект, по умолчанию=None

Определяет стратегию разделения перекрестной проверки. Возможные входные данные для cv:

• None, чтобы использовать стандартную 5-кратную перекрестную проверку,
• целое число, чтобы указать количество блоков.
• разделитель CV,
• Итерируемый объект, возвращающий (train, test) разбиения как массивы индексов.

Для целочисленных/None значений используется KFold.

Различные стратегии перекрестной проверки, которые можно использовать здесь, см. в Руководстве пользователя.

Изменено в версии 0.22: cv значение по умолчанию при None изменилось с 3-кратного на 5-кратное.

n_jobsint, по умолчанию=None

Количество ЦП, используемых во время перекрестной проверки. None означает 1, кроме случаев использования контекста joblib.parallel_backend. -1 означает использование всех процессоров. См. Глоссарий для получения более подробной информации.

verbosebool или int, по умолчанию=False

Устанавливает объём подробности.

Атрибуты:

intercept_float или ndarray формы (n_targets,)

Независимый член в функции принятия решений.

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

Вектор параметров (w в постановке задачи).

n_nonzero_coefs_int

Оцененное количество ненулевых коэффициентов, обеспечивающих наилучшую среднеквадратическую ошибку по блокам перекрестной проверки.

n_iter_int или массив

Количество активных признаков для каждой цели для модели, повторно обученной с наилучшими гиперпараметрами, полученными путём перекрестной проверки по всем блокам.

n_features_in_int

Количество признаков, увиденных во время обучения.

Добавлен в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Названия признаков, увиденных во время обучения. Определены только когда X имеет имена признаков, которые являются строками.

Добавлен в версии 1.0.

См. также

orthogonal_mp

Решает задачи ортогонального преследования n_targets.

orthogonal_mp_gram

Решает задачи ортогонального преследования n_targets, используя только грам-матрицу X.T * X и произведение X.T * y.

lars_path

Вычислить путь регрессии с наименьшим углом или Lasso с помощью алгоритма LARS.

Lars

Модель регрессии с наименьшим углом (LAR).

LassoLars

Модель Lasso, обученная с использованием регрессии с наименьшим углом (Lars).

OrthogonalMatchingPursuit

Модель преследующего ортогональное соответствие (OMP).

LarsCV

Модель регрессии с наименьшим углом (Lars) с перекрестной проверкой.

LassoLarsCV

Модель Lasso с перекрестной проверкой, обученная с помощью регрессии с наименьшим углом.

sklearn.decomposition.sparse_encode

Общий алгоритм разложения по кодам с разреженностью. Каждый столбец результата является решением задачи Lasso.

Примечания

В fit, после нахождения оптимального количества ненулевых коэффициентов с помощью перекрестной проверки, модель снова обучается на полном наборе обучающих данных.

Примеры

>>> 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)[source]

Обучить модель с использованием данных X, y как обучающих данных.

Параметры:

Xarray-like формы (n_samples, n_features)

Обучающие данные.

yarray-like формы (n_samples,)

Целевые значения. Будут преобразованы к типу X, если необходимо.

**fit_paramsdict

Параметры для передачи базовому разделителю.

Добавлен в версии 1.4: Доступен только если enable_metadata_routing=True, что может быть установлено с помощью sklearn.set_config(enable_metadata_routing=True). См. Руководство пользователя по маршрутизации метаданных для получения дополнительной информации.

Возвращает:

selfобъект

Возвращает экземпляр self.

get_metadata_routing()[source]

Получить маршрутизацию метаданных этого объекта.

См. Руководство пользователя о том, как работает механизм маршрутизации.

Добавлен в версии 1.4.

Возвращает:

routingMetadataRouter

MetadataRouter encapsulating routing information.

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]

Предсказать используя линейную модель.

Параметры:

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

Образцы.

Возвращает:

Cмассив, форма (n_samples,)

Возвращает предсказанные значения.

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

Возвращает коэффициент детерминации предсказания.

Коэффициент детерминации \(R^2\) определяется как \((1 - \frac{u}{v})\), где \(u\) — остаточная сумма квадратов ((y_true - y_pred)** 2).sum() и \(v\) — общая сумма квадратов ((y_true - y_true.mean()) ** 2).sum(). Наилучший возможный балл равен 1.0, и он может быть отрицательным (потому что модель может быть произвольно хуже). Модель постоянных значений, которая всегда предсказывает ожидаемое значение y, игнорируя входные признаки, получит значение \(R^2\) равное 0.0.

Параметры:

Xarray-like формы (n_samples, n_features)

Тестовые образцы. Для некоторых оценщиков это может быть предварительно вычисленная матрица ядер или список общих объектов вместо неё с формой (n_samples, n_samples_fitted), где n_samples_fitted — количество образцов, используемых при подгонке для оценщика.

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

Истинные значения для X.

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

Веса образцов.

Возвращает:

scorefloat

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

Примечания

Значение \(R^2\), используемое при вызове score для регрессора, использует multioutput='uniform_average' с версии 0.23 для согласованности с настройкой по умолчанию функции r2_score. Это влияет на метод score всех регрессоров с множественными выходами (кроме MultiOutputRegressor).

set_params(**params)[source]

Установить параметры данного оценщика.

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

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

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

Запрос метаданных, переданных в метод score.

Обратите внимание, что этот метод актуален только если enable_metadata_routing=True (см. sklearn.set_config). Подробности о механизме маршрутизации см. в Руководстве пользователя.

Доступные параметры для каждого параметра:

• True: запрашиваются метаданные и передаются в score при наличии. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и мета-оценщик не передаст их score.
• None: метаданные не запрашиваются, и мета-оценщик выдаст ошибку, если пользователь их предоставит.
• str: метаданные должны быть переданы мета-оценщику с указанным псевдонимом вместо оригинального имени.

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

Добавлен в версии 1.3.

Примечание

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

Параметры:

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

Маршрутизация метаданных для параметра sample_weight в score.

Возвращает:

selfобъект

Обновлённый объект.

Примеры из галереи

Ортогональное согласование импульсов