sklearn.calibration.CalibratedClassifierCV?
class sklearn.calibration.CalibratedClassifierCV(base_estimator=None, *, method='sigmoid', cv=None)
isotonic回歸或邏輯回歸的概率校正。
校準依據的是 base_estimator 的decision_function方法(如果存在的話)，否則是predict_proba。
在用戶指南中閱讀更多內容。
新版本0.19
| 參數 | 說明 |
|---|---|
| base_estimator | instance BaseEstimator 分類器的輸出需要被校準以提供更準確的 predict_proba輸出。 |
| method | ‘sigmoid’ or ‘isotonic’ 用于校準的方法。可以是“Sigmoid”，它對應于Platt的方法(即邏輯回歸模型)，也可以是“isotonic”，這是一種非參數方法。建議不要用太少的校準樣本 (<<1000)進行等滲校準，因為它趨向于過擬合。 |
| cv | integer, cross-validation generator, iterable or “prefit”, optional 確定交叉驗證的拆分策略。cv的可能輸入包括： - None, 默認使用5折交叉驗證 - 整數, 指定交叉驗證的折數 - CV splitter - 一個可迭代由訓練集和測試集劃分的索引的數組。 對于輸入整數或者None, 如果 y是一個二分類或者多分類， 則使用sklearn.model_selection.StratifiedKFold 如果 y既不是二分類也不是多分類， 則使用sklearn.model_selection.KFold 有關可在此處使用的各種交叉驗證策略，請參閱用戶指南。 如果“prefit”通過，則假定 base_estimator已經擬合，所有數據都用于校準。在0.22版中更改：如果為None, 則CV默認值從3折更改為5折。 |
| 屬性 | 說明 |
|---|---|
| classes_ | array, shape (n_classes) 類標簽 |
| calibrated_classifiers_ | list (len() equal to cv or 1 if cv == “prefit”) 已校準的分類器列表，每個交叉驗證折都有一個，除了驗證折外，已在所其他折上進行了擬合，并在驗證折上進行了校準。 |
參考
R57cf438d7060-1 Obtaining calibrated probability estimates from decision trees and naive Bayesian classifiers, B. Zadrozny & C. Elkan, ICML 2001
R57cf438d7060-2 Transforming Classifier Scores into Accurate Multiclass Probability Estimates, B. Zadrozny & C. Elkan, (KDD 2002)
R57cf438d7060-3 Probabilistic Outputs for Support Vector Machines and Comparisons to Regularized Likelihood Methods, J. Platt, (1999)
R57cf438d7060-4 Predicting Good Probabilities with Supervised Learning, A. Niculescu-Mizil & R. Caruana, ICML 2005
方法
| 方法 | 說明 |
|---|---|
fit(self, X, y[, sample_weight]) |
擬合校準模型 |
get_params(self[, deep]) |
獲取此估計器的參數 |
predict(self, X) |
預測新樣本的目標 |
predict_proba(self, X) |
分類后驗概率 |
score(self, X, y[, sample_weight]) |
返回給定測試數據和標簽的平均精度。 |
set_params(self, **params) |
設置此估計器的參數 |
__init__(self, /, *args, **kwargs)
初始化self。請參閱help(type(self))以獲得準確的說明。
fit(self, X, y, sample_weight=None)
擬合校準模型。
| 參數 | 說明 |
|---|---|
| X | array-like, shape (n_samples, n_features) 訓練數據 |
| y | array-like, shape (n_samples,) 目標值 |
| sample_weight | array-like of shape (n_samples,), default=None 樣本權重。如果為None, 樣本的權重是一樣的。 |
| 返回值 | 說明 |
|---|---|
| self | object 返回self的實例 |
get_params(self, deep=True)
獲取此估計器的參數。
| 參數 | 說明 |
|---|---|
| deep | bool, default=True 如果為True，則將返回此估計器的參數和所包含的作為估計器的子對象。 |
| 返回值 | 說明 |
|---|---|
| params | mapping of string to any 映射到其值的參數名稱 |
predict(self, X)
預測新樣品的目標。預測類是具有最高概率的類，因此可以與未標記分類器的預測不同。
| 參數 | 說明 |
|---|---|
| X | array-like, shape (n_samples, n_features) 樣本 |
| 返回值 | 說明 |
|---|---|
| C | array, shape (n_samples,) 預測類 |
predict_proba(self, X)
后驗分類概率。
該函數根據測試向量X上的每個類返回分類的后驗概率。
| 參數 | 說明 |
|---|---|
| X | array-like, shape (n_samples, n_features) 樣本 |
| 返回值 | 說明 |
|---|---|
| C | array, shape (n_samples,) 預測類 |
score(self, X, y, sample_weight=None)
返回給定測試數據和標簽的平均精度。
在多標簽分類中，這是子集的準確性，這是一個嚴格的度量，因為您需要對每個樣本正確地預測每個標簽集。
| 參數 | 說明 |
|---|---|
| X | array-like, shape (n_samples, n_features) 測試樣本 |
| y | array-like of shape (n_samples,) or (n_samples, n_outputs) 測試樣板的真實標簽 |
| sample_weight | array-like of shape (n_samples,), default=None 樣本權重 |
| 返回值 | 說明 |
|---|---|
| score | float self.predict(X)與y的平均精度。 |
set_params(self, **params)
設置此估計器的參數。
該方法適用于簡單估計器以及嵌套對象(例如pipelines)。后者具有表單的參數 <component>__<parameter>，這樣就可以更新嵌套對象的每個組件。
| 參數 | 說明 |
|---|---|
| **params | dict 估計器參數 |
| 返回值 | 說明 |
|---|---|
| self | 估計器實例。 |
