Python sklearn OrthogonalMatchingPursuitCV用法及代码示例

本文简要介绍python语言中 sklearn.linear_model.OrthogonalMatchingPursuitCV 的用法。

用法:

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

Cross-validated 正交匹配追踪模型 (OMP)。

请参阅交叉验证估计器的词汇表条目。

在用户指南中阅读更多信息。

参数：

copy：布尔，默认=真

设计矩阵 X 是否必须被算法复制。假值仅在 X 已经是Fortran-ordered 时才有用，否则无论如何都会制作副本。

fit_intercept：布尔，默认=真

是否计算此模型的截距。如果设置为 false，则不会在计算中使用截距(即数据应居中)。

normalize：布尔，默认=真

当 fit_intercept 设置为 False 时忽略此参数。如果为 True，则回归量 X 将在回归前通过减去均值并除以 l2 范数进行归一化。如果您希望标准化，请在使用 normalize=False 对估计器调用 fit 之前使用 StandardScaler 。

max_iter：整数，默认=无

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

cv：int，交叉验证生成器或可迭代，默认=无

确定交叉验证拆分策略。 cv 的可能输入是：

• 无，使用默认的 5 折交叉验证，
• 整数，指定折叠次数。
• CV分配器，
• 一个可迭代的 yield (train, test) 拆分为索引数组。

对于整数/无输入，使用KFold。

有关可在此处使用的各种交叉验证策略，请参阅用户指南。

n_jobs：整数，默认=无

交叉验证期间要使用的 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。有关详细信息，请参阅词汇表。

verbose：bool 或 int，默认 = False

设置详细程度。

属性：

intercept_：形状的浮点数或 ndarray (n_targets,)

决策函数中的独立项。

coef_：ndarray 形状 (n_features,) 或 (n_targets, n_features)

参数向量(问题公式中的 w)。

n_nonzero_coefs_：int

在交叉验证折叠上给出最佳均方误差的非零系数的估计数量。

n_iter_：int 或类似数组

使用cross-validating在所有折叠中获得的最佳超参数进行模型改装的每个目标上的活动特征数。

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.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, normalize=False).fit(X, y)
>>> reg.score(X, y)
0.9991...
>>> reg.n_nonzero_coefs_
10
>>> reg.predict(X[:1,])
array([-78.3854...])