Python sklearn QuadraticDiscriminantAnalysis用法及代码示例

本文简要介绍python语言中 sklearn.discriminant_analysis.QuadraticDiscriminantAnalysis 的用法。

用法:

class sklearn.discriminant_analysis.QuadraticDiscriminantAnalysis(*, priors=None, reg_param=0.0, store_covariance=False, tol=0.0001)

二次判别分析。

具有二次决策边界的分类器，通过将类条件密度拟合到数据并使用贝叶斯规则生成。

该模型适合每个类的高斯密度。

在用户指南中阅读更多信息。

参数：

priors：ndarray 形状(n_classes，)，默认=无

类先验。默认情况下，类比例是从训练数据中推断出来的。

reg_param：浮点数，默认=0.0

通过将 S2 转换为 S2 = (1 - reg_param) * S2 + reg_param * np.eye(n_features) 来正则化 per-class 协方差估计，其中 S2 对应于给定类的 scaling_ 属性。

store_covariance：布尔，默认=假

如果为 True，则明确计算类协方差矩阵并将其存储在 self.covariance_ 属性中。

tol：浮点数，默认=1.0e-4

被认为显著的奇异值的绝对阈值，用于估计 Xk 的等级，其中 Xk 是 k 类中样本的中心矩阵。此参数不影响预测。它仅控制在特征被认为是共线时引发的警告。

属性：

covariance_：形状的ndarray的len n_classes列表(n_features，n_features)

对于每个类，给出使用该类的样本估计的协方差矩阵。估计是无偏的。仅在 store_covariance 为 True 时出现。

means_：形状类似数组 (n_classes, n_features)

Class-wise 表示。

priors_：形状类似数组 (n_classes,)

类先验(总和为 1)。

rotations_：形状 ndarray 的 len n_classes 列表 (n_features, n_k)

对于每个类 k 一个形状数组 (n_features, n_k)，其中 n_k = min(n_features, number of elements in class k) 它是高斯分布的旋转，即它的主轴。它对应于 V ，来自 Xk = U S Vt 的 SVD 的特征向量矩阵，其中 Xk 是来自 k 类的样本的中心矩阵。

scalings_：形状为 (n_k,) 的 ndarray 的 len n_classes 列表

对于每个类，包含沿其主轴的高斯分布的缩放，即旋转坐标系中的方差。它对应于 S^2 / (n_samples - 1) ，其中 S 是来自 Xk 的 SVD 的奇异值的对角矩阵，其中 Xk 是来自 k 类的样本的中心矩阵。

classes_：ndarray 形状 (n_classes,)

唯一的类标签。

n_features_in_：int

拟合期间看到的特征数。

feature_names_in_：ndarray 形状(n_features_in_，)

拟合期间看到的特征名称。仅当 X 具有全为字符串的函数名称时才定义。

例子：

>>> from sklearn.discriminant_analysis import QuadraticDiscriminantAnalysis
>>> import numpy as np
>>> X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])
>>> y = np.array([1, 1, 1, 2, 2, 2])
>>> clf = QuadraticDiscriminantAnalysis()
>>> clf.fit(X, y)
QuadraticDiscriminantAnalysis()
>>> print(clf.predict([[-0.8, -1]]))
[1]