sklearn.multioutput.MultiOutputClassifier?

class sklearn.multioutput.MultiOutputClassifier(estimator, *, n_jobs=None)

[源碼]

多目標分類

該策略包括為每個目標擬合一個分類器。這是擴展本機不支持多目標分類的分類器的簡單策略

參數	說明
estimator	estimator object 實現fit，score和 predict_proba的估計器對象。
n_jobs	int or None, optional (default=None) 用于計算的作業數。它并行執行y中的每個目標變量。 `None`除非`joblib.parallel_backend`上下文中，否則表示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。 v0.20版中的更改：n_jobs默認從1更改為None

屬性	說明
classes_	array, shape = (n_classes,) 類標簽。
estimators_	list of `n_output` estimators 用于預測的估計量。

實例

>>> import numpy as np
>>> from sklearn.datasets import make_multilabel_classification
>>> from sklearn.multioutput import MultiOutputClassifier
>>> from sklearn.neighbors import KNeighborsClassifier

>>> X, y = make_multilabel_classification(n_classes=3, random_state=0)
>>> clf = MultiOutputClassifier(KNeighborsClassifier()).fit(X, y)
>>> clf.predict(X[-2:])
array([[1, 1, 0], [1, 1, 1]])

方法	說明
`fit`(X, Y[, sample_weight])	使模型擬合數據矩陣X和目標Y。
`get_params`([deep])	獲取此估計量的參數。
`partial_fit`(X, y[, classes, sample_weight])	使模型逐漸擬合數據。
`predict`(X)	使用模型預測多輸出變量
`score`(X, y)	返回給定測試數據和標簽的平均準確度。
`set_params`(**params)	設置此估算量的參數。

__init__(estimator, *, n_jobs=None)

[源碼]

初始化self，請參閱help(type(self))以獲得準確的說明。

fit(X, Y, sample_weight=None, **fit_params)

[源碼]

使模型擬合數據矩陣X和目標Y。

參數	說明
X	{array-like, sparse matrix} of shape (n_samples, n_features) 輸入數據。
Y	array-like of shape (n_samples, n_classes) 目標值。
sample_weight	array-like of shape (n_samples,) or None 樣本權重。如果為None，則對樣本進行平均加權。僅當基礎分類器支持樣本權重時才支持。
**fit_params	dict of string -> object 參數傳遞給`estimator.fit`每個步驟的方法。

返回值	說明
self	object

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作為估算器的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。

partial_fit(X, y, classes=None, sample_weight=None)

[源碼]

使模型逐漸擬合數據。為每個輸出變量擬合一個單獨的模型。

參數	說明
X	(sparse) array-like, shape (n_samples, n_features) 數據。
y	(sparse) array-like, shape (n_samples, n_outputs) 多輸出目標。
classes	list of numpy arrays, shape (n_outputs) 每個數組都是str / int中一個輸出的唯一類。可以通過via獲得，其中y是整個數據集的目標矩陣。第一次調用partial_fit時需要此參數，在隨后的調用中可以將其省略。請注意，y不需要包含中[np.unique(y[:, i]) for i in range(y.shape[1])]``classes的所有標簽。
sample_weight	array-like of shape (n_samples,), default=None 樣本權重。如果為None，則對樣本進行平均加權。僅當基礎回歸變量支持樣本權重時才支持。

返回值	說明
self	object

predict(X)

[源碼]

使用模型預測多輸出變量

? 針對每個目標變量進行訓練。

參數	說明
X	(sparse) array-like, shape (n_samples, n_features) 數據

返回值	說明
y	(sparse) array-like, shape (n_samples, n_outputs) 跨多個預測變量預測的多輸出目標。注意：為每個預測變量生成單獨的模型。

property predict_proba

概率估計。返回每個輸出的每個類的預測概率。

ValueError如果沒有任何估算器，則此方法將引發predict_proba。

參數	返回值
X	array-like, shape (n_samples, n_features) 數據

返回值	說明
p	array of shape (n_samples, n_classes), or a list of n_outputs such arrays if n_outputs > 1. 輸入樣本的分類概率。類的順序與屬性classes_中的順序相對應。在版本0.19中更改：此函數現在返回一個數組列表，其中列表的長度為，對于該特定輸出`n_outputs`，每個數組為（n_samples``n_classes）。

score(X, y)

[源碼]

返回給定測試數據和標簽的平均準確度。

參數	說明
X	array-like, shape [n_samples, n_features] 測試樣本
y	array-like, shape [n_samples, n_outputs] X的真實值

返回值	說明
scores	float self.predict(X)對y的accuracy_score

set_params(**params)

[源碼]

設置此估算器的參數。

該方法適用于簡單的估計器以及嵌套對象（例如 pipelines）。后者具有形式的參數， <component>__<parameter>以便可以更新嵌套對象的每個組件。

參數	說明
**params	dict 估算量參數。

返回值	說明
self	object 估算量實例。