Python sklearn OrthogonalMatchingPursuitCV用法及代碼示例

本文簡要介紹python語言中 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 正交匹配追蹤模型 (OMP)。

請參閱交叉驗證估計器的詞匯表條目。

在用戶指南中閱讀更多信息。

參數：

copy：布爾，默認=真

設計矩陣 X 是否必須被算法複製。假值僅在 X 已經是Fortran-ordered 時才有用，否則無論如何都會製作副本。

fit_intercept：布爾，默認=真

是否計算此模型的截距。如果設置為 false，則不會在計算中使用截距(即數據應居中)。

normalize：布爾，默認=真

當 fit_intercept 設置為 False 時忽略此參數。如果為 True，則回歸量 X 將在回歸前通過減去均值並除以 l2 範數進行歸一化。如果您希望標準化，請在使用 normalize=False 對估計器調用 fit 之前使用 StandardScaler 。

max_iter：整數，默認=無

要執行的最大迭代次數，因此要包含的最大特征。 n_features 的 10%，但至少 5 個(如果有)。

cv：int，交叉驗證生成器或可迭代，默認=無

確定交叉驗證拆分策略。 cv 的可能輸入是：

• 無，使用默認的 5 折交叉驗證，
• 整數，指定折疊次數。
• CV分配器，
• 一個可迭代的 yield (train, test) 拆分為索引數組。

對於整數/無輸入，使用KFold。

有關可在此處使用的各種交叉驗證策略，請參閱用戶指南。

n_jobs：整數，默認=無

交叉驗證期間要使用的 CPU 數量。 None 表示 1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有處理器。有關詳細信息，請參閱詞匯表。

verbose：bool 或 int，默認 = False

設置詳細程度。

屬性：

intercept_：形狀的浮點數或 ndarray (n_targets,)

決策函數中的獨立項。

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

參數向量(問題公式中的 w)。

n_nonzero_coefs_：int

在交叉驗證折疊上給出最佳均方誤差的非零係數的估計數量。

n_iter_：int 或類似數組

使用cross-validating在所有折疊中獲得的最佳超參數進行模型改裝的每個目標上的活動特征數。

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.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...])