ClassifierMixin

class sklearn.base.ClassifierMixin

Mixin-Klasse für alle Klassifikatoren in scikit-learn.

Dieser Mixin definiert die folgende Funktionalität

• stellt den Estimator-Typ auf "classifier" über das estimator_type Tag ein;

• score-Methode, die standardmäßig auf accuracy_score gesetzt ist.

• erzwingt, dass fit benötigt, dass y über das requires_y Tag übergeben wird, was durch Setzen des Classifier-Typs-Tags geschieht.

Lesen Sie mehr im Benutzerhandbuch.

Beispiele

>>> import numpy as np
>>> from sklearn.base import BaseEstimator, ClassifierMixin
>>> # Mixin classes should always be on the left-hand side for a correct MRO
>>> class MyEstimator(ClassifierMixin, BaseEstimator):
...     def __init__(self, *, param=1):
...         self.param = param
...     def fit(self, X, y=None):
...         self.is_fitted_ = True
...         return self
...     def predict(self, X):
...         return np.full(shape=X.shape[0], fill_value=self.param)
>>> estimator = MyEstimator(param=1)
>>> X = np.array([[1, 2], [2, 3], [3, 4]])
>>> y = np.array([1, 0, 1])
>>> estimator.fit(X, y).predict(X)
array([1, 1, 1])
>>> estimator.score(X, y)
0.66...

score(X, y, sample_weight=None)

Gibt die Genauigkeit für die bereitgestellten Daten und Bezeichnungen zurück.

Bei der Multi-Label-Klassifizierung ist dies die Subset-Genauigkeit, eine strenge Metrik, da für jede Stichprobe verlangt wird, dass jede Label-Menge korrekt vorhergesagt wird.

Parameter:

Xarray-like der Form (n_samples, n_features)

Teststichproben.

yarray-like der Form (n_samples,) oder (n_samples, n_outputs)

Wahre Bezeichnungen für X.

sample_weightarray-like der Form (n_samples,), Standardwert=None

Stichprobengewichte.

Gibt zurück:

scorefloat

Mittlere Genauigkeit von self.predict(X) in Bezug auf y.

Galeriebeispiele

__sklearn_is_fitted__ als Entwickler-API

__sklearn_is_fitted__ als Entwickler-API

Metadaten-Routing

Metadaten-Routing