LinearDiscriminantAnalysis#
- class sklearn.discriminant_analysis.LinearDiscriminantAnalysis(solver='svd', shrinkage=None, priors=None, n_components=None, store_covariance=False, tol=0.0001, covariance_estimator=None)[源代码]#
线性辨别分析。
具有线性决策边界的分类器，通过将类别条件密度与数据匹配并使用Bayes规则生成。
该模型将高斯密度拟合到每个类别，假设所有类别共享相同的协方差矩阵。
通过使用
transform法Added in version 0.17.
资源总额进行了比较
LinearDiscriminantAnalysis和QuadraticDiscriminantAnalysis，看到了 具有协方差椭圆体的线性和二次鉴别分析 .阅读更多的 User Guide .
- 参数:
- solver' svd '，'，'，'，默认=' svd '
- 要使用的求解器、可能的值：
“svd”：奇异值分解（默认）。不计算协方差矩阵，因此建议对具有大量特征的数据使用此求解器。
'lsqr'：最小二乘解。可以与收缩或自定义协方差估计器组合。
“特征”：特征值分解。可以与收缩或自定义协方差估计器组合。
在 1.2 版本发生变更:
solver="svd"现在具有实验性的数组API支持。看到 Array API User Guide 了解更多详细信息。- shrinkage“Auto”或float，默认=无
- 收缩参数，可能的值：
无：无收缩（默认）。
'auto'：使用Ledoit-Wolf引理的自动收缩。
浮动在0和1之间：固定收缩参数。
如果没有，这应该留给无
covariance_estimator采用了请注意，收缩仅适用于“lsqur”和“eigen”解算器。有关使用示例，请参阅 用于分类的正态、Ledoit-Wolf和OAS线性鉴别分析 .
- priors形状类似数组（n_classes，），默认=无
班级先验概率。默认情况下，班级比例是从训练数据中推断的。
- n_componentsint，默认=无
用于降维的组件数量（<= min（n_classes - 1，n_features））。如果无，将设置为min（n_classes - 1，n_features）。此参数仅影响
transform法有关使用示例，请参阅 Iris数据集LDA和PCA 2D投影的比较 .
- store_covariance布尔，默认=假
如果为True，则当求解器为“svd”时显式计算加权类内协方差矩阵。始终为其他求解器计算和存储矩阵。
Added in version 0.17.
- tol浮动，默认=1.0e-4
X的奇异值被视为显著的绝对阈值，用于估计X的秩。奇异值不显著的维将被丢弃。仅在求解器为“svd”时使用。
Added in version 0.17.
- covariance_estimator协方差估计器，默认=无
如果不是没有，
covariance_estimator用于估计协方差矩阵，而不是依赖于经验协方差估计器（可能会收缩）。对象应该有适合的方法和covariance_属性，例如中的估计器sklearn.covariance.如果无，则收缩参数决定估计值。如果没有，这应该留给无
shrinkage采用了注意covariance_estimator仅适用于“lSQr”和“eigen”求解器。Added in version 0.24.
- 属性:
- coef_形状的nd数组（n_features，）或（n_classes，n_features）
权重载体。
- intercept_形状的nd数组（n_classes，）
拦截项。
- covariance_形状类似阵列（n_features，n_features）
加权类内协方差矩阵。它对应于
sum_k prior_k * C_k哪里C_k是班级样本的协方差矩阵k.的C_k使用（可能缩小的）有偏差的协方差估计量来估计。如果求解器为“svd”，则仅在以下情况下存在store_covariance是真的- explained_variance_ratio_形状的nd数组（n_components，）
每个选定成分解释的方差百分比。如果
n_components未设置，则存储所有分量，并且解释的方差之和等于1.0。仅在使用特征或svd求解器时可用。- means_形状类似阵列（n_classes，n_features）
班级意味着。
- priors_形状类似阵列（n_classes，）
班级先验（总和为1）。
- scalings_形状类数组（rank，n_classes - 1）
类中心跨越的空间中要素的缩放。仅适用于“svd”和“eigen”求解器。
- xbar_形状类似阵列（n_features，）
总体平均值。仅当求解器为“svd”时才出现。
- classes_形状类似阵列（n_classes，）
独特的班级标签。
- n_features_in_int
期间看到的功能数量 fit .
Added in version 0.24.
- feature_names_in_ ：nd形状数组 (
n_features_in_,)nd数组形状（ Names of features seen during fit. Defined only when
Xhas feature names that are all strings.Added in version 1.0.
参见
示例
>>> import numpy as np >>> from sklearn.discriminant_analysis import LinearDiscriminantAnalysis >>> 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 = LinearDiscriminantAnalysis() >>> clf.fit(X, y) LinearDiscriminantAnalysis() >>> print(clf.predict([[-0.8, -1]])) [1]
- decision_function(X)[源代码]#
将决策函数应用于样本数组。
决策函数等于（直到一个恒定因子）模型的log后验，即
log p(y = k | x).在二元分类设置中，这对应于log p(y = 1 | x) - log p(y = 0 | x).看到 LDA和QDA分类器的数学公式 .- 参数:
- X形状类似阵列（n_samples，n_features）
样本数组（测试载体）。
- 返回:
- y_scores形状的ndarray（n_samples，）或（n_samples，n_classes）
每个样本与每个类别相关的决策函数值。在两类情况下，形状为
(n_samples,)，给出正类的对数似然比。
- fit(X, y)[源代码]#
适应线性鉴别分析模型。
在 0.19 版本发生变更:
store_covariance和tol已移动到主构造器。- 参数:
- X形状类似阵列（n_samples，n_features）
训练数据。
- y形状类似阵列（n_samples，）
目标值。
- 返回:
- self对象
拟合估计量。
- fit_transform(X, y=None, **fit_params)[源代码]#
适应数据，然后对其进行转换。
适合变压器
X和y具有可选参数fit_params并返回的转换版本X.- 参数:
- X形状类似阵列（n_samples，n_features）
输入样本。
- y形状为（n_samples，）或（n_samples，n_outputs）的阵列状， 默认值=无
目标值（无监督转换）。
- **fit_paramsdict
其他适合参数。
- 返回:
- X_newndray形状数组（n_samples，n_features_new）
变形的数组。
- get_feature_names_out(input_features=None)[源代码]#
获取用于转换的输出要素名称。
输出的功能名称将以大写的类别名称为开头。例如，如果Transformer输出3个特征，则输出的特征名称为：
["class_name0", "class_name1", "class_name2"].- 参数:
- input_features字符串或无的类数组，默认=无
仅用于通过中看到的名称验证要素名称
fit.
- 返回:
- feature_names_out字符串对象的nd数组
转换的功能名称。
- get_metadata_routing()[源代码]#
获取此对象的元数据路由。
请检查 User Guide 关于路由机制如何工作。
- 返回:
- routingMetadataRequest
A
MetadataRequest封装路由信息。
- get_params(deep=True)[源代码]#
获取此估计器的参数。
- 参数:
- deep布尔，默认=True
如果为True，将返回此估计量和包含的作为估计量的子对象的参数。
- 返回:
- paramsdict
参数名称映射到其值。
- predict(X)[源代码]#
预测X中样本的类别标签。
- 参数:
- X形状（n_samples，n_features）的{类数组，稀疏矩阵}
我们想要获取预测的数据矩阵。
- 返回:
- y_pred形状的nd数组（n_samples，）
包含每个样本的类标签的载体。
- predict_log_proba(X)[源代码]#
估计日志概率。
- 参数:
- X形状类似阵列（n_samples，n_features）
输入数据。
- 返回:
- C形状的nd数组（n_samples，n_classes）
估计的日志概率。
- predict_proba(X)[源代码]#
估计可能性。
- 参数:
- X形状类似阵列（n_samples，n_features）
输入数据。
- 返回:
- C形状的nd数组（n_samples，n_classes）
估计的可能性。
- score(X, y, sample_weight=None)[源代码]#
返回给定测试数据和标签的平均准确度。
在多标签分类中，这是子集准确度，这是一个苛刻的指标，因为您需要为每个样本正确预测每个标签集。
- 参数:
- X形状类似阵列（n_samples，n_features）
测试样本。
- y形状的类似阵列（n_samples，）或（n_samples，n_outputs）
真正的标签
X.- sample_weight形状类似数组（n_samples，），默认=无
样本重量。
- 返回:
- score浮子
平均准确度
self.predict(X)w.r.t.y.
- set_output(*, transform=None)[源代码]#
设置输出容器。
看到 介绍 set_output API 了解如何使用API的示例。
- 参数:
- transform{“默认”，“pandas”，“polars”}，默认=无
配置输出
transform和fit_transform."default"：Transformer的默认输出格式"pandas"：DataFrame输出"polars"：两极输出None：转换配置不变
Added in version 1.4:
"polars"添加了选项。
- 返回:
- self估计器实例
估计实例。
- set_params(**params)[源代码]#
设置此估计器的参数。
该方法适用于简单估计器以及嵌套对象（例如
Pipeline).后者具有以下形式的参数<component>__<parameter>以便可以更新嵌套对象的每个组件。- 参数:
- **paramsdict
估计参数。
- 返回:
- self估计器实例
估计实例。
- set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') LinearDiscriminantAnalysis[源代码]#
请求元数据传递给
score法请注意，此方法仅适用于以下情况
enable_metadata_routing=True（见sklearn.set_config).请参阅 User Guide 关于路由机制如何工作。The options for each parameter are:
True：元数据被请求并传递给score如果提供的话。如果未提供元数据，则会忽略请求。False：未请求元数据，元估计器不会将其传递给score.None：不请求元数据，如果用户提供元估计器，则元估计器将引发错误。str：元数据应通过此给定别名而不是原始名称传递给元估计器。
默认 (
sklearn.utils.metadata_routing.UNCHANGED）保留现有请求。这允许您更改某些参数的请求，而不是其他参数。Added in version 1.3.
备注
只有当该估计器用作元估计器的子估计器时，该方法才相关，例如在
Pipeline.否则就没有效果了。- 参数:
- sample_weight字符串、真、假或无， 默认=sklearn.utils. metalics_Routing.UNChanged
元数据路由
sample_weight参数score.
- 返回:
- self对象
更新的对象。