sklearn.linear_model.OrthogonalMatchingPursuit?

class sklearn.linear_model.OrthogonalMatchingPursuit(*, n_nonzero_coefs=None, tol=None, fit_intercept=True, normalize=True, precompute='auto')

正交匹配追蹤模型（OMP）。

在用戶指南中閱讀更多內容。

參數	說明
n_nonzero_coefs	int, optional 解決方案中所需的非零項數。如果為None（默認），則此值設置為n_features的10％。
tol	float, optional 殘數的最大范數。如果不是None，則覆蓋n_nonzero_coefs。
fit_intercept	boolean, optional 是否計算該模型的截距。如果設置為false，則在計算中將不使用截距（即，數據應是中心化的）。
normalize	boolean, optional, default True `fit_intercept`設置為False 時，將忽略此參數。如果為True，則在回歸之前通過減去均值并除以l2-范數來對回歸變量X進行歸一化。如果你希望標準化，請先使用 `sklearn.preprocessing.StandardScaler`，然后調用`fit` 估算器并設置`normalize=False`。
precompute	{True, False, ‘auto’}, default ‘auto’ 是否使用預先計算的Gram和Xy矩陣來加快計算速度。當n_targets或 n_samples非常大時提高性能。請注意，如果已經有這樣的矩陣，則可以將它們直接傳遞給fit方法。

屬性	說明
coef_	array, shape (n_features,) or (n_targets, n_features) 參數向量（公式中的w）
intercept_	float or array, shape (n_targets,) 目標函數中的截距。
n_iter_	int or array-like 每個目標上的活動特征數量。

另見

orthogonal_mp
orthogonal_mp_gram
lars_path
Lars
LassoLars
decomposition.sparse_encode
OrthogonalMatchingPursuitCV

注

正交匹配追蹤是在G. Mallat，Z. Zhang中引入的，《時頻字典的匹配追蹤》，IEEE Transactions on Signal Processing，Vol。41，No.12（1993年12月），第3397-3415頁。（http://blanche.polytechnique.fr/~mallat/papiers/MallatPursuit93.pdf）

此實現基于R.Rubinstein，M.Zibulevsky和M.Elad的《使用批正交匹配追蹤技術報告有效實現K-SVD算法》，CS Technion，2008年4月 .https：//www.cs。 technion.ac.il/~ronrubin/Publications/KSVD-OMP-v2.pdf

示例

>>> from sklearn.linear_model import OrthogonalMatchingPursuit
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(noise=4, random_state=0)
>>> reg = OrthogonalMatchingPursuit().fit(X, y)
>>> reg.score(X, y)
0.9991...
>>> reg.predict(X[:1,])
array([-78.3854...])

方法

方法	說明
`fit`(X, y[, copy_X])	使用X，y作為訓練數據擬合模型。
`get_params`([deep])	獲取此估計量的參數。
`predict`(X)	使用線性模型進行預測。
`score`(X, y[, sample_weight])	返回預測的確定系數R ^ 2。
`set_params`(**params)	設置此估算器的參數。

__init__（standard ='aic'，*，fit_intercept = True，verbose = False，normalize = True，precompute ='auto'，max_iter = 500，eps = 2.220446049250313e-16，copy_X = True，positive = False ）

[源碼]

初始化self，請參閱help(type(self))以獲得準確的說明。

fit(X, y, copy_X=None)

[源碼]

使用X，y作為訓練數據擬合模型。

參數	說明
X	array-like of shape (n_samples, n_features) 訓練數據。
y	array-like of shape (n_samples,) 目標值。如有必要，將強制轉換為X的數據類型
copy_X	bool, default=None 如果設置了此參數，它將覆蓋實例創建時選擇的copy_X。如果`True`，X將被復制；否則X可能會被覆蓋。

返回值	說明
self	object 返回估計器實例

get_params(deep=True)

[源碼]

獲取此估計量的參數。

參數	說明
deep	bool, default=True 如果為True，則將返回此估算器和所包含子對象的參數。

返回值	說明
params	mapping of string to any 參數名稱映射到其值。

predict(X)

[源碼]

使用線性模型進行預測。

參數	說明
X	array_like or sparse matrix, shape (n_samples, n_features) 樣本數據

返回值	說明
C	array, shape (n_samples,) 返回預測值。

score(X, y, sample_weight=None)

[源碼]

返回預測的確定系數R ^ 2。

系數R ^ 2定義為（1- u / v），其中u是殘差平方和（（y_true-y_pred）** 2）.sum（），而v是總平方和（（y_true- y_true.mean（））** 2）.sum（）。可能的最高得分為1.0，并且也可能為負（因為該模型可能會更差）。一個常數模型總是預測y的期望值，而不考慮輸入特征，得到的R^2得分為0.0。

參數	說明
X	array-like of shape (n_samples, n_features) 測試樣本。對于某些估計量，這可以是預先計算的內核矩陣或通用對象列表，形狀為（n_samples，n_samples_fitted），其中n_samples_fitted是用于擬合估計器的樣本數。
y	array-like of shape (n_samples,) or (n_samples, n_outputs) X的真實值。
sample_weight	array-like of shape (n_samples,), default=None 樣本權重。

返回值	說明
score	float 預測值與真實值的R^2。

注

調用回歸器中的score時使用的R2分數，multioutput='uniform_average'從0.23版開始使用，與r2_score默認值保持一致。這會影響多輸出回歸的score方法（ MultiOutputRegressor除外）。

set_params(**params)

[源碼]

設置此估計器的參數。

該方法適用于簡單的估計器以及嵌套對象（例如管道）。后者具有形式為 <component>__<parameter>的參數，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	object 估計器實例。

sklearn.linear_model.OrthogonalMatchingPursuit使用示例?

正交匹配追蹤 ?