FixedThresholdClassifier

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

Бинарный классификатор, который вручную задаёт порог принятия решения.

Этот классификатор позволяет изменить порог принятия решения по умолчанию, используемый для преобразования оценок апостериорной вероятности (то есть результата predict_proba) или оценок решения (то есть результата decision_function) в метку класса.

В данном случае порог не оптимизируется и задаётся постоянным значением.

Подробнее см. в Руководстве пользователя.

Добавлено в версии 1.5.

Параметры:

estimatorэкземпляр оценщика

Бинарный классификатор, обученный или нет, для которого требуется оптимизировать порог принятия решения, используемый при predict.

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

Порог принятия решения, используемый для преобразования оценок апостериорной вероятности (то есть результата predict_proba) или оценок решения (то есть результата decision_function) в метку класса. Если задано "auto", порог устанавливается равным 0.5, если predict_proba используется как response_method; в противном случае он устанавливается равным 0 (то есть порогу по умолчанию для decision_function).

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

Метка положительного класса. Используется для обработки результата метода response_method. Если задано pos_label=None и y_true входит в {-1, 1} или {0, 1}, pos_label устанавливается равным 1; в противном случае возникает ошибка.

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

Методы классификатора estimator, соответствующие функции принятия решения, для которой требуется найти порог. Возможны следующие значения:

• если задано "auto", будет предпринята попытка вызвать "predict_proba" или "decision_function" именно в таком порядке.
• в противном случае — один из методов "predict_proba" или "decision_function". Если классификатор не реализует этот метод, возникает ошибка.

Атрибуты:

estimator_экземпляр оценщика

Обученный классификатор, используемый при предсказании.

classes_ndarray формы (n_classes,)

Метки классов.

n_features_in_int

Количество признаков, обнаруженных во время обучения. Определён только в том случае, если базовый оценщик предоставляет такой атрибут после обучения.

feature_names_in_ndarray формы (n_features_in_,)

Названия признаков, обнаруженных во время обучения. Определён только в том случае, если базовый оценщик предоставляет такой атрибут после обучения.

См. также

sklearn.model_selection.TunedThresholdClassifierCV

Классификатор, который выполняет последующую настройку порога принятия решения на основе метрик и с использованием перекрёстной проверки.

sklearn.calibration.CalibratedClassifierCV

Оценщик, который калибрует 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]]

decision_function(X)[исходный код]

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

Параметры:

X{array-like, разреженная матрица} формы (n_samples, n_features)

Обучающие векторы, где n_samples — количество образцов, а n_features — количество признаков.

Возвращает:

decisionsndarray формы (n_samples,)

Значения функции принятия решения, вычисленные обученным оценщиком.

fit(X, y, **params)[исходный код]

Обучить классификатор.

Параметры:

X{array-like, разреженная матрица} формы (n_samples, n_features)

Обучающие данные.

yarray-like формы (n_samples,)

Целевые значения.

**paramsdict

Параметры, передаваемые методу fit базового классификатора.

Возвращает:

selfобъект

Возвращает экземпляр self.

get_metadata_routing()[исходный код]

Получить настройки маршрутизации метаданных этого объекта.

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

Возвращает:

routingMetadataRouter

MetadataRouter, содержащий информацию о маршрутизации.

get_params(deep=True)[исходный код]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, будут возвращены параметры этого оценщика и содержащихся в нём подобъектов, которые являются оценщиками.

Возвращает:

paramsdict

Имена параметров и соответствующие им значения.

predict(X)[исходный код]

Предсказать целевые значения для новых образцов.

Параметры:

X{array-like, разреженная матрица} формы (n_samples, n_features)

Образцы в формате, принимаемом методом estimator.predict.

Возвращает:

class_labelsndarray формы (n_samples,)

Предсказанный класс.

predict_log_proba(X)[исходный код]

Предсказать логарифмы вероятностей классов для X с использованием обученного оценщика.

Параметры:

X{array-like, разреженная матрица} формы (n_samples, n_features)

Обучающие векторы, где n_samples — количество образцов, а n_features — количество признаков.

Возвращает:

log_probabilitiesndarray формы (n_samples, n_classes)

Логарифмы вероятностей классов для входных образцов.

predict_proba(X)[исходный код]

Предсказать вероятности классов для X с использованием обученного оценщика.

Параметры:

X{array-like, разреженная матрица} формы (n_samples, n_features)

Обучающие векторы, где n_samples — количество образцов, а n_features — количество признаков.

Возвращает:

probabilitiesndarray формы (n_samples, n_classes)

Вероятности классов для входных образцов.

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

Возвращает точность на предоставленных данных и метках.

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

Параметры:

Xarray-like формы (n_samples, n_features)

Тестовые образцы.

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_params(**params)[исходный код]

Задать параметры этого оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (например, Pipeline). У последних параметры 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='$UNCHANGED$') → FixedThresholdClassifier[исходный код]

Настроить, следует ли запрашивать передачу метаданных методу score.

Обратите внимание: этот метод имеет значение только тогда, когда данный оценщик используется как подобъект внутри метаоценщика и включена маршрутизация 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 метаоценщик не передаёт их в score.
• None: метаданные не запрашиваются, и метаоценщик выдаёт ошибку, если пользователь их предоставляет.
• str: метаданные передаются метаоценщику 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 метода score.

Возвращает:

selfобъект

Обновлённый объект.

Примеры из галереи

Визуализация вероятностных предсказаний VotingClassifier

Примеры использования FrozenEstimator

Настройка порога принятия решения для обучения с учётом стоимости ошибок

Основные нововведения scikit-learn 1.5

Основные нововведения scikit-learn 1.6