Python sklearn QuadraticDiscriminantAnalysis用法及代碼示例

本文簡要介紹python語言中 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)

二次判別分析。

具有二次決策邊界的分類器，通過將類條件密度擬合到數據並使用貝葉斯規則生成。

該模型適合每個類的高斯密度。

在用戶指南中閱讀更多信息。

參數：

priors：ndarray 形狀(n_classes，)，默認=無

類先驗。默認情況下，類比例是從訓練數據中推斷出來的。

reg_param：浮點數，默認=0.0

通過將 S2 轉換為 S2 = (1 - reg_param) * S2 + reg_param * np.eye(n_features) 來正則化 per-class 協方差估計，其中 S2 對應於給定類的 scaling_ 屬性。

store_covariance：布爾，默認=假

如果為 True，則明確計算類協方差矩陣並將其存儲在 self.covariance_ 屬性中。

tol：浮點數，默認=1.0e-4

被認為顯著的奇異值的絕對閾值，用於估計 Xk 的等級，其中 Xk 是 k 類中樣本的中心矩陣。此參數不影響預測。它僅控製在特征被認為是共線時引發的警告。

屬性：

covariance_：形狀的ndarray的len n_classes列表(n_features，n_features)

對於每個類，給出使用該類的樣本估計的協方差矩陣。估計是無偏的。僅在 store_covariance 為 True 時出現。

means_：形狀類似數組 (n_classes, n_features)

Class-wise 表示。

priors_：形狀類似數組 (n_classes,)

類先驗(總和為 1)。

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

對於每個類 k 一個形狀數組 (n_features, n_k)，其中 n_k = min(n_features, number of elements in class k) 它是高斯分布的旋轉，即它的主軸。它對應於 V ，來自 Xk = U S Vt 的 SVD 的特征向量矩陣，其中 Xk 是來自 k 類的樣本的中心矩陣。

scalings_：形狀為 (n_k,) 的 ndarray 的 len n_classes 列表

對於每個類，包含沿其主軸的高斯分布的縮放，即旋轉坐標係中的方差。它對應於 S^2 / (n_samples - 1) ，其中 S 是來自 Xk 的 SVD 的奇異值的對角矩陣，其中 Xk 是來自 k 類的樣本的中心矩陣。

classes_：ndarray 形狀 (n_classes,)

唯一的類標簽。

n_features_in_：int

擬合期間看到的特征數。

feature_names_in_：ndarray 形狀(n_features_in_，)

擬合期間看到的特征名稱。僅當 X 具有全為字符串的函數名稱時才定義。

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]