Hinweis
Zum Ende springen, um den vollständigen Beispielcode herunterzuladen oder dieses Beispiel über JupyterLite oder Binder in Ihrem Browser auszuführen.
__sklearn_is_fitted__ als Entwickler-API#
Die Methode __sklearn_is_fitted__ ist eine Konvention in scikit-learn, die verwendet wird, um zu überprüfen, ob ein Schätzerobjekt angepasst wurde oder nicht. Diese Methode wird typischerweise in benutzerdefinierten Schätzerklassen implementiert, die auf scikit-learns Basisklassen wie BaseEstimator oder deren Unterklassen aufbauen.
Entwickler sollten check_is_fitted zu Beginn aller Methoden außer fit verwenden. Wenn sie die Prüfung anpassen oder beschleunigen müssen, können sie die Methode __sklearn_is_fitted__ wie unten gezeigt implementieren.
In diesem Beispiel zeigt der benutzerdefinierte Schätzer die Verwendung der Methode __sklearn_is_fitted__ und der Hilfsfunktion check_is_fitted als Entwickler-APIs. Die Methode __sklearn_is_fitted__ überprüft den Anpassungsstatus, indem sie die Anwesenheit des Attributs _is_fitted verifiziert.
Ein Beispiel für einen benutzerdefinierten Schätzer, der einen einfachen Klassifikator implementiert#
Dieser Codeausschnitt definiert eine benutzerdefinierte Schätzerklasse namens CustomEstimator, die sowohl von der Klasse BaseEstimator als auch von der Klasse ClassifierMixin aus scikit-learn erbt und die Verwendung der Methode __sklearn_is_fitted__ und der Hilfsfunktion check_is_fitted demonstriert.
# Authors: The scikit-learn developers
# SPDX-License-Identifier: BSD-3-Clause
from sklearn.base import BaseEstimator, ClassifierMixin
from sklearn.utils.validation import check_is_fitted
class CustomEstimator(BaseEstimator, ClassifierMixin):
def __init__(self, parameter=1):
self.parameter = parameter
def fit(self, X, y):
"""
Fit the estimator to the training data.
"""
self.classes_ = sorted(set(y))
# Custom attribute to track if the estimator is fitted
self._is_fitted = True
return self
def predict(self, X):
"""
Perform Predictions
If the estimator is not fitted, then raise NotFittedError
"""
check_is_fitted(self)
# Perform prediction logic
predictions = [self.classes_[0]] * len(X)
return predictions
def score(self, X, y):
"""
Calculate Score
If the estimator is not fitted, then raise NotFittedError
"""
check_is_fitted(self)
# Perform scoring logic
return 0.5
def __sklearn_is_fitted__(self):
"""
Check fitted status and return a Boolean value.
"""
return hasattr(self, "_is_fitted") and self._is_fitted
Verwandte Beispiele
