`sklearn.linear_model`.OrthogonalMatchingPursuit¶

class sklearn.linear_model.OrthogonalMatchingPursuit¶

Modelo de búsqueda de coincidencias ortogonales (OMP).

Más información en el Manual de usuario.

Parámetros

n_nonzero_coefsentero, default=None: Número deseado de entradas que no sean de cero en la solución. Si es None (predeterminado) este valor se establece en el 10% de n_features.
tolflotante, default=None: Máxima norma del residuo. Si no es None, anula n_nonzero_coefs.
fit_interceptbooleano, default=True: si se calcula el intercepto para este modelo. Si se establece en false, no se utilizará ningún intercepto en los cálculos (es decir, se espera que los datos estén centrados).
normalizebooleano, default=True: Este parámetro se ignora cuando fit_intercept se establece en False. Si es True, los regresores X serán normalizados antes de la regresión restando la media y dividiendo por la norma l2. Si desea normalizar, por favor utilice StandardScaler antes de llamar a fit en un estimador con normalize=False.
precompute“auto” o bool, default=”auto”: Si se utiliza una matriz Gram y Xy precalculada para acelerar los cálculos. Mejora el rendimiento cuando n_targets o n_samples es muy grande. Ten en cuenta que si ya tienes dichas matrices, puedes pasarlas directamente al método de ajuste.

Atributos

coef_ndarray de forma (n_características,) o (n_targets, n_features): Vector de parámetros (w en la fórmula).
intercept_flotante o ndarray de la forma (n_targets,): Término independiente en la función de decisión.
n_iter_entero o array-like: Cantidad de características activas en cada objetivo.
n_nonzero_coefs_entero: El número de coeficientes no nulos en la solución. Si n_nonzero_coefs es None y tol es None este valor se fija en el 10% de n_features o en 1, lo que sea mayor.

Ver también

orthogonal_mp
orthogonal_mp_gram
lars_path
Lars
LassoLars
sklearn.decomposition.sparse_encode
OrthogonalMatchingPursuitCV

Notas

La búsqueda ortogonal de coincidencias se introdujo en G. Mallat, Z. Zhang, Matching pursuits with time-frequency dictionaries, IEEE Transactions on Signal Processing, Vol. 41, No. 12. (diciembre de 1993), pp. 3397-3415. (http://blanche.polytechnique.fr/~mallat/papiers/MallatPursuit93.pdf)

Esta implementación se basa en Rubinstein, R., Zibulevsky, M. y Elad, M., Efficient Implementation of the K-SVD Algorithm using Batch Orthogonal Matching Pursuit Technical Report - CS Technion, April 2008. https://www.cs.technion.ac.il/~ronrubin/Publications/KSVD-OMP-v2.pdf

Ejemplos

>>> from sklearn.linear_model import OrthogonalMatchingPursuit
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(noise=4, random_state=0)
>>> reg = OrthogonalMatchingPursuit().fit(X, y)
>>> reg.score(X, y)
0.9991...
>>> reg.predict(X[:1,])
array([-78.3854...])

Métodos

`fit`	Ajustar el modelo usando X, y como datos de entrenamiento.
`get_params`	Obtiene los parámetros para este estimador.
`predict`	Predice utilizando el modelo lineal.
`score`	Devuelve el coeficiente de determinación \(R^2\) de la predicción.
`set_params`	Establece los parámetros de este estimador.

fit()¶

Ajustar el modelo usando X, y como datos de entrenamiento.

Parámetros

Xarray-like de forma (n_samples, n_features): Datos del entrenamiento.
yarray-like de forma (n_samples,) o (n_samples, n_targets): Valores objetivos. Se convertirá al dtype de X si es necesario

Devuelve

selfobject: devuelve una instancia de sí misma.

get_params()¶

Obtiene los parámetros para este estimador.

Parámetros

deepbooleano, default=True: Si es True, devolverá los parámetros para este estimador y los subobjetos contenidos que son estimadores.

Devuelve

paramsdict: Nombres de parámetros mapeados a sus valores.

predict()¶

Predice utilizando el modelo lineal.

Parámetros

Xarray-like o matriz dispersa, forma (n_samples, n_features): Muestras.

Devuelve

Carreglo, forma (n_samples,): Devuelve los valores predichos.

score()¶

Devuelve el coeficiente de determinación \(R^2\) de la predicción.

El coeficiente \(R^2\) se define como \((1 - \frac{u}{v})\), donde \(u\) es la suma residual de cuadrados ((y_true - y_pred) ** 2).sum() y \(v\) es la suma total de cuadrados ((y_true - y_true.mean()) ** 2).sum(). El mejor valor posible es 1,0 y puede ser negativo (porque el modelo puede ser arbitrariamente peor). Un modelo constante que siempre predice el valor esperado de y, sin tener en cuenta las características de entrada, obtendría un valor \(R^2\) de 0,0.

Parámetros

Xarray-like de forma (n_samples, n_features): Muestras de prueba. Para algunos estimadores puede ser una matriz de núcleo precalculada o una lista de objetos genéricos con forma (n_muestras, n_muestras_ajustadas), donde n_muestras_ajustadas es el número de muestras utilizadas en el ajuste para el estimador.
yarray-like de forma (n_samples,) o (n_samples, n_outputs): Valores verdaderos para X.
sample_weightarray-like de forma (n_samples,), default=None: Ponderaciones de muestra.

Devuelve

scoreflotante: \(R^2\) de self.predict(X) con respecto a y.

Notas

El valor \(R^2\) utilizado al llamar a score en un regresor utiliza multioutput='uniform_average' desde la versión 0.23 para mantener la coherencia con el valor predeterminado de r2_score`. Esto influye en el método score de todos los regresores de salida múltiple (excepto para MultiOutputRegressor).

set_params()¶

Establece los parámetros de este estimador.

El método funciona en estimadores simples como en objetos anidados (como Pipeline). Estos últimos tienen parámetros de la forma <component>__<parameter> para que sea posible actualizar cada componente de un objeto anidado.

Parámetros

**paramsdict: Parámetros del estimador.

Devuelve

selfinstancia del estimador: Instancia del estimador.