Python cuml.multiclass.MulticlassClassifier用法及代码示例

用法: class cuml.multiclass.MulticlassClassifier(estimator, *, handle=None, verbose=False, output_type=None, strategy='ovr')

包装 scikit-learn 多类分类器，允许选择不同的多类策略。

输入可以是任何类型的 cuML 兼容数组，输出类型遵循 cuML 的输出类型配置规则。

Berofe 将数据传递给scikit-learn，将其转换为主机(numpy)数组。在后台，数据被划分为二进制分类，并由 cuML 估计器转换回设备。这些副本在设备和主机之间来回传输有一些开销。有关更多详细信息，请参阅问题 https://github.com/rapidsai/cuml/issues/2876 。

参数：

estimator：cuML 估计器
handle：cuml.Handle: 指定 cuml.handle 保存用于此模型中计算的内部 CUDA 状态。最重要的是，这指定了将用于模型计算的 CUDA 流，因此用户可以通过在多个流中创建句柄在不同的流中同时运行不同的模型。如果为 None，则创建一个新的。
verbose：int 或布尔值，默认=False: 设置日志记录级别。它必须是 cuml.common.logger.level_* 之一。有关详细信息，请参阅详细级别。
output_type：{‘input’, ‘cudf’, ‘cupy’, ‘numpy’, ‘numba’}，默认=无: 用于控制估计器的结果和属性的输出类型的变量。如果为 None，它将继承在模块级别设置的输出类型 cuml.global_settings.output_type 。有关详细信息，请参阅输出数据类型配置。
strategy: string {‘ovr’, ‘ovo’}, default=’ovr’：: 多类分类策略：‘ovr’：一对休息或‘ovo’：一对一

例子：

>>> from cuml.linear_model import LogisticRegression
>>> from cuml.multiclass import MulticlassClassifier
>>> from cuml.datasets.classification import make_classification
>>>
>>> X, y = make_classification(n_samples=10, n_features=6, n_informative=4,
...                            n_classes=3, random_state=137)
>>>
>>> cls = MulticlassClassifier(LogisticRegression(), strategy='ovo')
>>> cls.fit(X,y)
>>> cls.predict(X)
array([1, 1, 1, 0, 0, 2, 2, 2, 0, 1])

属性：

classes_：浮点数，形状(n_classes_): 类标签数组。
n_classes_：int: 类数。

相关用法

注：本文由纯净天空筛选整理自rapids.ai大神的英文原创作品 cuml.multiclass.MulticlassClassifier。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。