sklearn.dummy.DummyClassifier?

class sklearn.dummy.DummyClassifier(*, strategy='warn', random_state=None, constant=None)

[源碼]

DummyClassifier是一種使用簡單規則進行預測的分類器。

這個分類器作為與其他(真實的)分類器進行比較的簡單基線非常有用。不要用它來解決真正的問題。

在用戶指南中閱讀更多內容。

新版本0.13。

參數	說明
strategy	str, default=”stratified” 用來產生預測的策略。 “分層的”:通過尊重訓練集的類分布來生成預測。 “most_frequency”:總是預測訓練集中出現頻率最高的標簽。 “prior”:總是預測最大化類prior的類(比如“most_frequency”)，而predict_proba返回類prior。 “均勻”:均勻地隨機生成預測。 “常量”:總是預測用戶提供的常量標簽。這對于評估非大多數類的度量是有用的在0.22版本中更改:策略的默認值在0.24版本中將更改為“prior”。從版本0.22開始，如果沒有顯式地設置策略，就會發出警告。新版本0.17:虛擬分類器現在支持使用參數先驗的先驗擬合策略。
random_state	int, RandomState instance or None, optional, default=None 當策略='分層'或策略='統一'時，控制產生預測的隨機性。在多個函數調用之間傳遞可重復輸出的int。看到術語表。
constant	int or str or array-like of shape (n_outputs,) 由“常數”策略預測的顯式常數。這個參數只對“常量”策略有用。

屬性	說明
classes_	array or list of array of shape (n_classes,) 每個輸出的類標簽。
n_classes_	array or list of array of shape (n_classes,) 每個輸出的標簽數。
class_prior_	array or list of array of shape (n_classes,) 每個類對每個輸出的概率。
n_outputs_	int, 數量的輸出。
sparse_output_	bool, 如果從predict返回的數組是稀疏CSC格式，則為True。如果輸入y以稀疏格式傳遞，則自動設置為真。

示例

>>> import numpy as np
>>> from sklearn.dummy import DummyClassifier
>>> X = np.array([-1, 1, 1, 1])
>>> y = np.array([0, 1, 1, 1])
>>> dummy_clf = DummyClassifier(strategy="most_frequent")
>>> dummy_clf.fit(X, y)
DummyClassifier(strategy='most_frequent')
>>> dummy_clf.predict(X)
array([1, 1, 1, 1])
>>> dummy_clf.score(X, y)
0.75

方法

方法	說明
`fit`(self, X, y[, sample_weight])	F適合隨機分類器。
`get_params`(self[, deep])	獲取這個估計器的參數。
`predict`(self, X)	對測試向量X進行分類。
`predict_log_proba`(self, X)	測試向量X的返回對數概率估計。
`predict_proba`(self, X)	測試向量X的返回概率估計。
`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)	設置這個估計器的參數。

__init__(self, *, strategy='warn', random_state=None, constant=None)

[源碼]

初始化self. See 請參閱help(type(self))以獲得準確的說明。

fit(self, X, y, sample_weight=None)

[源碼]

參數	說明
X	{array-like, object with finite length or shape} 訓練數據，要求length = n_samples
y	array-like of shape (n_samples,) or (n_samples, n_outputs) 目標的價值。
sample_weight	array-like of shape (n_samples,), default=None 樣本權重。

get_params(self, deep=True)

[源碼]

獲取這個估計器的參數。

參數	說明
deep	bool, default=True 如果為真，將返回此估計器的參數以及包含的作為估計器的子對象。

返回值	說明
params	mapping of string to any 參數名稱映射到它們的值。

predict(self, X)

[源碼]

對測試向量X進行分類。

參數	說明
X	{array-like, object with finite length or shape} 訓練數據，要求length = n_samples

返回值	說明
y	array-like of shape (n_samples,) or (n_samples, n_outputs) X的預測目標值。

predict_log_proba(self, X)

[源碼]

測試向量X的返回對數概率估計。

參數	說明
X	{array-like, object with finite length or shape} 訓練數據，要求length = n_samples

返回值	說明
P	array-like or list of array-like of shape (n_samples, n_classes) 返回模型中每個類的樣本的日志概率，其中類對每個輸出進行算術排序。

predict_proba(self, X)

[源碼]

測試向量X的返回概率估計。

參數	說明
X	{array-like, object with finite length or shape} 訓練數據，要求length = n_samples

返回值	說明
P	array-like or list of array-like of shape (n_samples, n_classes) 返回模型中每個類的抽樣概率，其中類對每個輸出進行算術排序。

score(self, X, y, sample_weight=None)

[源碼]

返回給定測試數據和標簽的平均精度。

在多標簽分類中，這是子集精度，這是一個苛刻的指標，因為你需要對每個樣本正確預測每個標簽集。

參數	說明
X	{array-like, None} 使用shape = (n_samples, n_features)或None測試樣本。通過None作為測試樣本與通過真實測試樣本得到的結果相同，因為DummyClassifier的操作獨立于采樣的觀察值。
y	array-like of shape (n_samples,) or (n_samples, n_outputs) X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的平均準確度。

set_params(self, **params)

[源碼]

設置這個估計器的參數。

該方法適用于簡單估計量和嵌套對象。后者具有形式為<component>_<parameter>的參數，這樣就讓更新嵌套對象的每個組件成為了可能。

參數	說明
**params	dict 估計器參數。

返回值	說明
self	object 估計器實例。