Python sklearn MultiOutputClassifier用法及代码示例

本文简要介绍python语言中 sklearn.multioutput.MultiOutputClassifier 的用法。

用法:

class sklearn.multioutput.MultiOutputClassifier(estimator, *, n_jobs=None)

多目标分类。

该策略包括为每个目标拟合一个分类器。这是一个简单的策略，用于扩展本身不支持multi-target 分类的分类器。

参数：

estimator：估计器对象

一个实现 fit、score 和 predict_proba 的估计器对象。

n_jobs：int 或无，可选(默认=无)

并行运行的作业数量。 fit 、 predict 和 partial_fit (如果传递的估计器支持)将为每个目标并行化。

当单个估计器快速训练或预测时，使用n_jobs > 1 可能会由于并行开销而导致性能下降。

None 表示 1 除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有可用的进程/线程。有关详细信息，请参阅词汇表。

属性：

classes_：ndarray 形状 (n_classes,)

类标签。

estimators_：n_output 估计器列表

用于预测的估计器。

n_features_in_：int

拟合期间看到的特征数。仅当底层 estimator 在合适时公开此类属性时才定义。

feature_names_in_：ndarray 形状(n_features_in_，)

拟合期间看到的特征名称。仅当基础估计器在合适时公开此类属性时才定义。

例子：

>>> import numpy as np
>>> from sklearn.datasets import make_multilabel_classification
>>> from sklearn.multioutput import MultiOutputClassifier
>>> from sklearn.neighbors import KNeighborsClassifier
>>> X, y = make_multilabel_classification(n_classes=3, random_state=0)
>>> clf = MultiOutputClassifier(KNeighborsClassifier()).fit(X, y)
>>> clf.predict(X[-2:])
array([[1, 1, 0], [1, 1, 1]])