FixedThresholdClassifier

classsklearn.model_selection.FixedThresholdClassifier(estimator, *, threshold='auto', pos_label=None, response_method='auto')[source]

Бинарный классификатор, вручную устанавливающий порог принятия решения.

Этот классификатор позволяет изменить стандартный порог принятия решения, используемый для преобразования оценок апостериорной вероятности (т.е. выход predict_proba) или оценок решений (т.е. выход decision_function) в метку класса.

Здесь порог не оптимизирован и установлен в постоянное значение.

Подробнее см. в Руководстве пользователя.

Добавлен в версии 1.5.

Параметры:

estimatorэкземпляр классификатора

Бинарный классификатор, обученный или нет, для которого мы хотим оптимизировать порог принятия решения, используемый во время predict.

threshold{“auto”} или float, по умолчанию=”auto”

Порог принятия решения для преобразования оценок апостериорной вероятности (т.е. выход predict_proba) или оценок решений (т.е. выход decision_function) в метку класса. Если "auto", порог устанавливается в 0,5, если predict_proba используется как response_method, иначе он устанавливается в 0 (т.е. стандартный порог для decision_function).

pos_labelint, float, bool или str, по умолчанию=None

Метка положительного класса. Используется для обработки выхода метода response_method. Если pos_label=None, если y_true находится в {-1, 1} или {0, 1}, pos_label устанавливается в 1, иначе будет выведено сообщение об ошибке.

response_method{“auto”, “decision_function”, “predict_proba”}, по умолчанию=”auto”

Методы классификатора estimator соответствующие функции принятия решения, для которой мы хотим найти порог. Он может быть:

• если "auto", он попытается вызвать "predict_proba" или "decision_function" в этом порядке.
• иначе, один из "predict_proba" или "decision_function". Если метод не реализован классификатором, будет выведено сообщение об ошибке.

Атрибуты:

estimator_экземпляр классификатора

Обученный классификатор, используемый при прогнозировании.

classes_массив формы (n_classes,)

Метки классов.

n_features_in_int

Количество признаков, увиденных во время обучения. Определяется только если основной оценщик предоставляет такой атрибут при обучении.

feature_names_in_массив формы (n_features_in_,)

Названия признаков, увиденных во время обучения. Определяется только если основной оценщик предоставляет такой атрибут при обучении.

См. также

sklearn.model_selection.TunedThresholdClassifierCV

Классификатор, который после обучения настраивает порог принятия решения на основе некоторых метрик и с использованием перекрестной проверки.

sklearn.calibration.CalibratedClassifierCV

Оценщик, калибрующий вероятности.

Примеры

>>> from sklearn.datasets import make_classification
>>> from sklearn.linear_model import LogisticRegression
>>> from sklearn.metrics import confusion_matrix
>>> from sklearn.model_selection import FixedThresholdClassifier, train_test_split
>>> X, y = make_classification(
...     n_samples=1_000, weights=[0.9, 0.1], class_sep=0.8, random_state=42
... )
>>> X_train, X_test, y_train, y_test = train_test_split(
...     X, y, stratify=y, random_state=42
... )
>>> classifier = LogisticRegression(random_state=0).fit(X_train, y_train)
>>> print(confusion_matrix(y_test, classifier.predict(X_test)))
[[217   7]
 [ 19   7]]
>>> classifier_other_threshold = FixedThresholdClassifier(
...     classifier, threshold=0.1, response_method="predict_proba"
... ).fit(X_train, y_train)
>>> print(confusion_matrix(y_test, classifier_other_threshold.predict(X_test)))
[[184  40]
 [  6  20]]

свойствоclasses_

Метки классов.

decision_function(X)[source]

Функция принятия решения для образцов в X с использованием обученного оценщика.

Параметры:

X{массив-подобный, разреженная матрица} формы (n_samples, n_features)

Векторы обучения, где n_samples — количество образцов, а n_features — количество признаков.

Возвращает:

decisionsмассив формы (n_samples,)

Функция принятия решения, вычисленная обученным оценщиком.

fit(X, y, **params)[source]

Обучение классификатора.

Параметры:

X{массив-подобный, разреженная матрица} формы (n_samples, n_features)

Данные обучения.

yмассив-подобный формы (n_samples,)

Значения целевой переменной.

**paramsdict

Параметры для передачи методу fit основного классификатора.

Возвращает:

selfобъект

Возвращает экземпляр self.

get_metadata_routing()[source]

Получить маршрутизацию метаданных для этого объекта.

Пожалуйста, ознакомьтесь с Руководством пользователя по тому, как работает механизм маршрутизации.

Возвращает:

routingMetadataRouter

А MetadataRouter содержащий информацию о маршрутизации.

get_params(deep=True)[source]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, вернет параметры этого оценщика и вложенных подобъектов, являющихся оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные со значениями.

predict(X)[source]

Предсказание целевого значения новых образцов.

Параметры:

X{массив-подобный, разреженная матрица} формы (n_samples, n_features)

Образцы, как и ожидается estimator.predict.

Возвращает:

class_labelsмассив формы (n_samples,)

Предсказанный класс.

predict_log_proba(X)[source]

Предсказание логарифмов вероятностей классов для X с помощью обученной модели.

Parameters:

X{array-like, sparse matrix} of shape (n_samples, n_features)

Векторы обучающих данных, где n_samples — количество образцов, а n_features — количество признаков.

Returns:

log_probabilitiesndarray of shape (n_samples, n_classes)

Логарифмы вероятностей классов для входных образцов.

predict_proba(X)[source]

Предсказание вероятностей классов для X с помощью обученной модели.

Parameters:

X{array-like, sparse matrix} of shape (n_samples, n_features)

Векторы обучающих данных, где n_samples — количество образцов, а n_features — количество признаков.

Returns:

probabilitiesndarray of shape (n_samples, n_classes)

Вероятности классов для входных образцов.

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

Возвращает среднюю точность на заданных тестовых данных и метках.

В многоклассовой классификации возвращает подмножество точности, жёсткий показатель, так как требуется, чтобы для каждого образца каждый набор меток был предсказан правильно.

Parameters:

Xarray-like of shape (n_samples, n_features)

Тестовые образцы.

yarray-like of shape (n_samples,) or (n_samples, n_outputs)

Истинные метки для X.

sample_weightarray-like of shape (n_samples,), default=None

Веса образцов.

Returns:

scorefloat

Средняя точность self.predict(X) по отношению к y.

set_params(**params)[source]

Установка параметров этого оценщика.

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

Parameters:

**paramsdict

Параметры оценщика.

Returns:

selfestimator instance

Экземпляр оценщика.

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

Запрос метаданных, переданных методу score.

Обратите внимание, что этот метод актуален только если enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, ознакомьтесь со Руководством пользователя о том, как работает механизм маршрутизации.

Варианты для каждого параметра:

• True: метаданные запрашиваются и передаются в score если они предоставлены. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и мета-оценщик не передаст их score.
• None: метаданные не запрашиваются, и мета-оценщик выведет ошибку, если пользователь их предоставит.
• str: метаданные должны быть переданы 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, 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 имеет никакого эффекта.

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.