sklearn.linear_model.OrthogonalMatchingPursuitCV?

class sklearn.linear_model.OrthogonalMatchingPursuitCV(*, copy=True, fit_intercept=True, normalize=True, max_iter=None, cv=None, n_jobs=None, verbose=False)

交叉驗證的正交匹配追蹤模型（OMP）。

有關交叉驗證估算器，請參閱詞匯表條目。

在用戶指南中閱讀更多內容。

參數	說明
copy	bool, optional 設置矩陣X是否必須被算法復制。只有當X已經是Fortran-ordered時，false值才有用，否則無論如何都會復制。
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，數據應居中）。
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`。
max_iter	integer, optional 要執行的最大迭代次數，因此要包含最大特征數，`n_features`的10％，但至少為5（如果有）。
cv	int, cross-validation generator or an iterable, optional 確定交叉驗證拆分策略。可能的輸入是： - None，使用默認的5折交叉驗證 - int，用于指定折疊數。 - CV分割器， - 可迭代生成(分割訓練、測試)索引數組。對于int / None輸入，使用`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。在0.22版本中更改：`cv`如果是“None”，默認值從3折更改為5折。
n_jobs	int or None, optional (default=None) 交叉驗證期間要使用的CPU核心數量。除非在上下文中設置了`joblib.parallel_backend`，否則`None`表示1 。 `-1`表示使用所有處理器。有關更多詳細信息，請參見詞匯表。
verbose	boolean or integer, optional 設置詳細程度

屬性	說明
intercept_	float or array, shape (n_targets,) 決策函數中的截距。
coef_	array, shape (n_features,) or (n_targets, n_features) 參數向量（問題表述中的w）。
n_nonzero_coefs_	int 非零系數的估計數量在交叉驗證折疊中給出最佳均方誤差。
n_iter_	int or array-like 通過交叉驗證得到的最佳超參數，用于模型重構的每個目標的活動特征的數量。

另見

orthogonal_mp
orthogonal_mp_gram
lars_path
Lars
LassoLars
OrthogonalMatchingPursuit
LarsCV
LassoLarsCV
decomposition.sparse_encode

示例

>>> 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_
10
>>> reg.predict(X[:1,])
array([-78.3854...])

方法

方法	說明
`fit`(X, y)	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__(*, copy=True, fit_intercept=True, normalize=True, max_iter=None, cv=None, n_jobs=None, verbose=False)

[源碼]

初始化self，請參閱help(type(self))以獲得準確的說明。

fit(X, y)

[源碼]

使用X，y作為訓練數據擬合模型。

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。如有必要，將強制轉換為X的數據類型

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.OrthogonalMatchingPursuitCV使用示例?

正交匹配追蹤 ?