OrthogonalMatchingPursuitCV#

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

跨验证正交匹配追踪模型（OMP）。

请参阅 cross-validation estimator 的词汇条目。

更多信息请参阅 User Guide 。

Parameters:

copybool, default=True

算法是否必须复制设计矩阵 X。只有在 X 已经是 Fortran 顺序的情况下，设置为 false 才有帮助，否则无论如何都会进行复制。

fit_interceptbool, default=True

是否计算此模型的截距。如果设置为 false，则在计算中不使用截距（即数据应已中心化）。

max_iterint, default=None

要执行的最大迭代次数，因此也是要包含的最大特征数。10% 的 n_features ，但至少为 5（如果有）。

cvint, cross-validation generator or iterable, default=None

确定交叉验证分割策略。 cv 的可能输入包括：

None，使用默认的 5 折交叉验证，
整数，指定折数。
CV splitter ，
一个生成 (train, test) 分割作为索引数组的迭代器。

对于整数/None 输入，使用 KFold 。

请参阅 User Guide 以了解可以在此处使用的各种交叉验证策略。

Changed in version 0.22: cv 默认值如果为 None，从 3 折改为 5 折。

n_jobsint, default=None

交叉验证期间使用的 CPU 数量。 None 表示 1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有处理器。有关更多详细信息，请参阅 Glossary 。

verbosebool or int, default=False

设置详细程度。

Attributes:

intercept_float or ndarray of shape (n_targets,): 决策函数中的独立项。
coef_ndarray of shape (n_features,) or (n_targets, n_features): 参数向量（问题表述中的 w）。
n_nonzero_coefs_int: 通过交叉验证折叠估计的最佳均方误差对应的非零系数数量。
n_iter_int or array-like: 使用通过交叉验证所有折叠获得的最佳超参数重新拟合模型时，每个目标的活动特征数量。
n_features_in_int: fit 期间看到的特征数量。

Added in version 0.24.
feature_names_in_ndarray of shape ( n_features_in_ ,): fit 期间看到的特征名称。仅当 X 的特征名称均为字符串时定义。

Added in version 1.0.

See also

orthogonal_mp: 解决 n_targets 个正交匹配追踪问题。
orthogonal_mp_gram: 仅使用 Gram 矩阵 X.T * X 和乘积 X.T * y 解决 n_targets 个正交匹配追踪问题。
lars_path: 使用 LARS 算法计算最小角回归或 Lasso 路径。
Lars: 最小角回归模型，即 LAR。
LassoLars: 使用最小角回归（即 Lars）拟合的 Lasso 模型。
OrthogonalMatchingPursuit: 正交匹配追踪模型（OMP）。
LarsCV: 交叉验证的最小角回归模型。
LassoLarsCV: 使用最小角回归进行交叉验证的 Lasso 模型。
sklearn.decomposition.sparse_encode: 通用稀疏编码。结果的每一列是 Lasso 问题的解。

Notes

在 fit 中，一旦通过交叉验证找到最佳的非零系数数量，模型将使用整个训练集重新拟合。

Examples

>>> 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...])

fit(X, y, **fit_params)#

拟合模型使用 X, y 作为训练数据。

Parameters:

X形状为 (n_samples, n_features) 的类数组: 训练数据。
y形状为 (n_samples,) 的类数组: 目标值。如有必要，将被转换为 X 的数据类型。
**fit_params字典: 传递给底层分割器的参数。

Added in version 1.4: 仅在 enable_metadata_routing=True 时可用，可以通过使用 sklearn.set_config(enable_metadata_routing=True) 设置。有关更多详细信息，请参阅 Metadata Routing 用户指南。

Returns:

self对象: 返回 self 的一个实例。

get_metadata_routing()#

获取此对象的元数据路由。

请查看用户指南以了解路由机制的工作原理。

Added in version 1.4.

Returns:

routingMetadataRouter: 一个封装了路由信息的 MetadataRouter 。

get_params(deep=True)#

获取此估计器的参数。

Parameters:

deepbool, 默认=True: 如果为True，将返回此估计器和包含的子对象（也是估计器）的参数。

Returns:

paramsdict: 参数名称映射到它们的值。

predict(X)#

使用线性模型进行预测。

Parameters:

Xarray-like 或 sparse matrix, shape (n_samples, n_features): 样本。

Returns:

Carray, shape (n_samples,): 返回预测值。

score(X, y, sample_weight=None)#

返回预测的决定系数。

决定系数 $R^2$ 定义为 $(1 - rac{u}{v})$ ，其中 $u$ 是残差平方和 ((y_true - y_pred)** 2).sum() ，而 $v$ 是总平方和 ((y_true - y_true.mean()) ** 2).sum() 。最好的可能得分是 1.0，它可能是负的（因为模型可能任意地差）。一个总是预测 y 的期望值的常数模型，忽略输入特征，将得到 $R^2$ 得分为 0.0。

Parameters:

Xarray-like of shape (n_samples, n_features): 测试样本。对于某些估计器，这可能是一个预计算的核矩阵或一个形状为 (n_samples, n_samples_fitted) 的通用对象列表，其中 n_samples_fitted 是估计器拟合中使用的样本数量。
yarray-like of shape (n_samples,) or (n_samples, n_outputs): X 的真实值。
sample_weightarray-like of shape (n_samples,), default=None: 样本权重。

Returns:

scorefloat: $R^2$ 相对于 y 的 self.predict(X) 。

Notes

在调用回归器的 score 时使用的 $R^2$ 得分从 0.23 版本开始使用 multioutput='uniform_average' 以保持与 r2_score 默认值一致。这影响了所有多输出回归器的 score 方法（除了 MultiOutputRegressor ）。

set_params(**params)#

设置此估计器的参数。

该方法适用于简单估计器以及嵌套对象（例如 Pipeline ）。后者具有形式为 <component>__<parameter> 的参数，以便可以更新嵌套对象的每个组件。

Parameters:

**paramsdict: 估计器参数。

Returns:

selfestimator instance: 估计器实例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → OrthogonalMatchingPursuitCV#

Request metadata passed to the score method.

Note that this method is only relevant if enable_metadata_routing=True (see sklearn.set_config ). Please see User Guide on how the routing mechanism works.

The options for each parameter are:

True : metadata is requested, and passed to score if provided. The request is ignored if metadata is not provided.
False : metadata is not requested and the meta-estimator will not pass it to score .
None : metadata is not requested, and the meta-estimator will raise an error if the user provides it.
str : metadata should be passed to the meta-estimator with this given alias instead of the original name.

The default ( sklearn.utils.metadata_routing.UNCHANGED ) retains the existing request. This allows you to change the request for some parameters and not others.

Added in version 1.3.

Note

This method is only relevant if this estimator is used as a sub-estimator of a meta-estimator, e.g. used inside a Pipeline . Otherwise it has no effect.

Parameters:

sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED: Metadata routing for sample_weight parameter in score .

Returns:

selfobject: The updated object.

Gallery examples#

正交匹配追踪