Python sklearn OneVsOneClassifier用法及代码示例

本文简要介绍python语言中 sklearn.multiclass.OneVsOneClassifier 的用法。

用法:

class sklearn.multiclass.OneVsOneClassifier(estimator, *, n_jobs=None)

One-vs-one 多类策略。

该策略包括为每个类对拟合一个分类器。在预测时，选择得票最多的类。由于它需要拟合 n_classes * (n_classes - 1) / 2 分类器，因此该方法通常比 one-vs-the-rest 慢，因为它的 O(n_classes^2) 复杂度。但是，这种方法可能对诸如内核算法之类的算法有利，这些算法不能很好地与 n_samples 一起扩展。这是因为每个单独的学习问题只涉及数据的一小部分，而使用one-vs-the-rest，使用完整的数据集n_classes 次。

在用户指南中阅读更多信息。

参数：

estimator：估计器对象

实现拟合的估计器对象和decision_function 或predict_proba 之一。

n_jobs：整数，默认=无

用于计算的作业数量：n_classes * ( n_classes - 1) / 2 OVO 问题是并行计算的。

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。

属性：

estimators_：n_classes * (n_classes - 1) / 2 估计器列表

用于预测的估计器。

classes_：numpy 形状数组 [n_classes]

包含标签的数组。

n_classes_int

类数。

pairwise_indices_：列表，长度 = len(estimators_) 或 None

训练估计器时使用的样本索引。 None 当 estimator 的 pairwise 标签为 False 时。

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.datasets import load_iris
>>> from sklearn.model_selection import train_test_split
>>> from sklearn.multiclass import OneVsOneClassifier
>>> from sklearn.svm import LinearSVC
>>> X, y = load_iris(return_X_y=True)
>>> X_train, X_test, y_train, y_test = train_test_split(
...     X, y, test_size=0.33, shuffle=True, random_state=0)
>>> clf = OneVsOneClassifier(
...     LinearSVC(random_state=0)).fit(X_train, y_train)
>>> clf.predict(X_test[:10])
array([2, 1, 0, 2, 0, 2, 0, 1, 1, 1])