Python sklearn DummyClassifier用法及代碼示例

本文簡要介紹python語言中 sklearn.dummy.DummyClassifier 的用法。

用法:

class sklearn.dummy.DummyClassifier(*, strategy='prior', random_state=None, constant=None)

DummyClassifier 進行忽略輸入特征的預測。

該分類器用作與其他更複雜的分類器進行比較的簡單基線。

使用strategy 參數選擇基線的特定行為。

所有策略的預測都會忽略作為 X 參數傳遞給 fit 和 predict 的輸入特征值。但是，預測通常取決於在傳遞給 fit 的 y 參數中觀察到的值。

請注意，“stratified” 和 “uniform” 策略會導致不確定性預測，如果需要，可以通過設置 random_state 參數將其呈現為確定性預測。其他策略自然是確定性的，一旦適合，總是為 X 的任何值返回相同的常量預測。

在用戶指南中閱讀更多信息。

參數：

strategy：{“most_frequent”, “prior”, “stratified”, “uniform”, “constant”}，默認=”prior”

用於生成預測的策略。

• “most_frequent”：predict 方法總是返回傳遞給 fit 的觀察到的 y 參數中出現頻率最高的類標簽。 predict_proba 方法返回匹配的one-hot 編碼向量。

• “prior”：predict 方法總是返回觀察到的 y 參數中最常見的類標簽，傳遞給 fit(如 “most_frequent”)。 predict_proba 始終返回 y 的經驗類分布，也稱為經驗類先驗分布。

• “stratified”：predict_proba 方法從由經驗類先驗概率參數化的多項分布中隨機采樣 one-hot 向量。 predict 方法返回在 predict_proba 的 one-hot 向量中獲得概率一的類標簽。因此，這兩種方法的每個采樣行都是獨立且同分布的。

• “uniform”：從在 y 中觀察到的唯一類列表中隨機均勻地生成預測，即每個類具有相等的概率。

• “constant”：始終預測用戶提供的常量標簽。這對於評估非多數類的指標很有用。

random_state：int、RandomState 實例或無，默認=無

控製隨機性以在 strategy='stratified' 或 strategy='uniform' 時生成預測。傳遞 int 以獲得跨多個函數調用的可重現輸出。請參閱詞匯表。

constant：int 或 str 或類似數組的形狀 (n_outputs,)，默認=無

“constant” 策略預測的顯式常數。此參數僅對“constant” 策略有用。

屬性：

classes_：ndarray 形狀 (n_classes,) 或此類數組的列表

y 中觀察到的唯一類標簽。對於multi-output 分類問題，此屬性是一個數組列表，因為每個輸出都有一組獨立的可能類。

n_classes_：int 或 int 列表

每個輸出的標簽數。

class_prior_：ndarray 形狀 (n_classes,) 或此類數組的列表

在 y 中觀察到的每個類的頻率。對於多輸出分類問題，這是針對每個輸出獨立計算的。

n_outputs_：int

輸出數量。

n_features_in_None

已棄用：n_features_in_ 在 1.0 中已棄用，並將在 1.2 中刪除。

sparse_output_：bool

如果從 predict 返回的數組為稀疏 CSC 格式，則為真。如果輸入 y 以稀疏格式傳遞，則自動設置為 True。

例子：

>>> import numpy as np
>>> from sklearn.dummy import DummyClassifier
>>> X = np.array([-1, 1, 1, 1])
>>> y = np.array([0, 1, 1, 1])
>>> dummy_clf = DummyClassifier(strategy="most_frequent")
>>> dummy_clf.fit(X, y)
DummyClassifier(strategy='most_frequent')
>>> dummy_clf.predict(X)
array([1, 1, 1, 1])
>>> dummy_clf.score(X, y)
0.75