OrthogonalMatchingPursuitCV

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

Модель ортогонального жадного поиска с перекрёстной проверкой (OMP).

См. статью глоссария о оценивателе с перекрёстной проверкой.

Подробнее см. в руководстве пользователя.

Параметры:

copybool, по умолчанию=True

Определяет, должна ли алгоритмом копироваться матрица признаков X. Значение False полезно только в том случае, если X уже упорядочена по Fortran; в противном случае копия будет создана в любом случае.

fit_interceptbool, по умолчанию=True

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

max_iterint, по умолчанию=None

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

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

Определяет стратегию разбиения для перекрёстной проверки. Возможные значения cv:

• None — использовать перекрёстную проверку по умолчанию с 5 блоками,
• целое число — задать количество блоков,
• разбиватель CV,
• итерируемый объект, выдающий разбиения (train, test) в виде массивов индексов.

Для целочисленных значений и None используется KFold.

Информацию о различных стратегиях перекрёстной проверки, которые можно использовать здесь, см. в руководстве пользователя.

Изменено в версии 0.22: значение по умолчанию cv при None изменено с 3 блоков на 5.

n_jobsint, по умолчанию=None

Количество процессоров, используемых при перекрёстной проверке. None означает 1, если только не используется контекст joblib.parallel_backend. -1 означает использование всех процессоров. Подробности см. в глоссарии.

verbosebool или int, по умолчанию=False

Задаёт уровень подробности вывода.

Атрибуты:

intercept_float или ndarray формы (n_targets,)

Свободный член функции принятия решения.

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

Вектор параметров (w в постановке задачи).

n_nonzero_coefs_int

Оценённое количество ненулевых коэффициентов, при котором достигается наименьшая среднеквадратичная ошибка на блоках перекрёстной проверки.

n_iter_int или объект, подобный массиву

Количество активных признаков для каждой целевой переменной в модели, повторно обученной с лучшими гиперпараметрами, найденными путём перекрёстной проверки по всем блокам.

n_features_in_int

Количество признаков, полученных при обучении.

Добавлено в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Имена признаков, полученных при обучении. Определяется, только если X содержит имена признаков, представленные строками.

Добавлено в версии 1.0.

См. также

orthogonal_mp

Решает задачи ортогонального жадного поиска для n_targets.

orthogonal_mp_gram

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

lars_path

Вычисляет траекторию метода наименьших углов регрессии или Lasso с помощью алгоритма LARS.

Lars

Модель метода наименьших углов регрессии, также известного как LAR.

LassoLars

Модель Lasso, обученная методом наименьших углов регрессии, также известным как Lars.

OrthogonalMatchingPursuit

Модель ортогонального жадного поиска (OMP).

LarsCV

Модель метода наименьших углов регрессии с перекрёстной проверкой.

LassoLarsCV

Модель Lasso с перекрёстной проверкой, обученная методом наименьших углов регрессии.

sklearn.decomposition.sparse_encode

Универсальное разреженное кодирование. Каждый столбец результата является решением задачи Lasso.

Примечания

В fit после того, как оптимальное количество ненулевых коэффициентов найдено с помощью перекрёстной проверки, модель повторно обучается на всём обучающем наборе.

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)[исходный код]

Обучает модель, используя X и y в качестве обучающих данных.

Параметры:

Xобъект, подобный массиву, формы (n_samples, n_features)

Обучающие данные.

yобъект, подобный массиву, формы (n_samples,)

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

**fit_paramsdict

Параметры, передаваемые базовому разбивателю.

Добавлено в версии 1.4: Доступно только при enable_metadata_routing=True, что можно задать с помощью sklearn.set_config(enable_metadata_routing=True). Подробности см. в руководстве пользователя по маршрутизации метаданных.

Возвращает:

selfobject

Возвращает экземпляр self.

get_metadata_routing()[исходный код]

Получает настройки маршрутизации метаданных этого объекта.

Информацию о работе механизма маршрутизации см. в руководстве пользователя.

Добавлено в версии 1.4.

Возвращает:

routingMetadataRouter

MetadataRouter, содержащий информацию о маршрутизации.

get_params(deep=True)[исходный код]

Получает параметры этого оценивателя.

Параметры:

deepbool, по умолчанию=True

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

Возвращает:

paramsdict

Имена параметров и соответствующие им значения.

predict(X)[исходный код]

Выполняет прогнозирование с помощью линейной модели.

Параметры:

Xобъект, подобный массиву, или разреженная матрица формы (n_samples, n_features)

Образцы.

Возвращает:

Cndarray формы (n_samples,)

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(). Наилучшая возможная оценка равна 1.0, но она может быть отрицательной (поскольку модель может быть сколь угодно хуже). Константная модель, всегда предсказывающая ожидаемое значение y независимо от входных признаков, получит оценку \(R^2\), равную 0.0.

Параметры:

Xобъект, подобный массиву, формы (n_samples, n_features)

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

yобъект, подобный массиву, формы (n_samples,) или (n_samples, n_outputs)

Истинные значения для X.

sample_weightобъект, подобный массиву, формы (n_samples,), по умолчанию=None

Веса образцов.

Возвращает:

scorefloat

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

Примечания

Оценка \(R^2\), используемая при вызове score для регрессора, использует 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 форму <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='$UNCHANGED$') → OrthogonalMatchingPursuitCV[исходный код]

Настраивает, следует ли запрашивать передачу метаданных методу score.

Обратите внимание, что этот метод имеет смысл только при использовании оценивателя как подоценивателя внутри метаоценивателя и включённой маршрутизации метаданных 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 передаются в score, если они предоставлены. Если метаданные не предоставлены, запрос игнорируется.
• False: метаданные не запрашиваются, и метаоцениватель не будет передавать их в score.
• None: метаданные не запрашиваются, а метаоцениватель выдаст ошибку, если пользователь их передаст.
• str: метаданные передаются 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 затрагивая остальные.

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 в score.

Возвращает:

selfobject

Обновлённый объект.

Примеры из галереи

Ортогональный жадный поиск