`sklearn.linear_model`.OrthogonalMatchingPursuitCV¶

class sklearn.linear_model.OrthogonalMatchingPursuitCV¶

Modelo de búsqueda de coincidencias ortogonales (OMP) con validación cruzada.

Ver entrada de glosario para cross-validation estimator.

Más información en el Manual de usuario.

Parámetros

copybooleano, default=True

Si la matriz de diseño X debe ser copiada por el algoritmo. Un valor falso sólo es útil si X ya está ordenado por Fortran, de lo contrario se hace una copia de todos modos.

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.

max_iterentero, default=None

Número máximo de iteraciones a realizar, por tanto, número máximo de características a incluir. 10% de n_features pero al menos 5 si están disponibles.

cventero, generador de validación cruzada o iterable, default=None

Determina la estrategia de división de la validación cruzada. Las posibles entradas para validación cruzada son:

None, para usar la validación cruzada de 5 partes por defecto,
entero, para especificar el número de pliegues.
separador de CV,
Un iterable que produce divisiones (train, test) como arreglos de índices.

Para entradas None/de enteros se usa KFold.

Consulta Manual de usuario para las diversas estrategias de validación cruzada que pueden ser utilizadas aquí.

Distinto en la versión 0.22: cv es el valor predeterminado si es None cambió de 3 partes a 5 partes.

n_jobsentero, default=None

Número de CPUs a usar durante la validación cruzada. None significa 1 a menos que esté en un contexto joblib.parallel_backend. -1 significa utilizar todos los procesadores. Ver Glosario para más detalles.

verbosebooleano o entero, default=False

Establece la cantidad de la verbosidad.

Atributos

intercept_float o ndarray de la forma (n_targets,): Término independiente en la función de decisión.
coef_ndarray de forma (n_features,) o (n_features, n_targets): Vector de parámetros (w en la formulación del problema).
n_nonzero_coefs_entero: Número estimado de coeficientes no nulos que dan el mejor error cuadrático medio en los pliegues de validación cruzada.
n_iter_entero o array-like: Número de características activas en cada objetivo para el modelo se reajustan con los mejores hiperparámetros obtenidos mediante la validación cruzada de todos los pliegues.

Ver también

orthogonal_mp
orthogonal_mp_gram
lars_path
Lars
LassoLars
OrthogonalMatchingPursuit
LarsCV
LassoLarsCV
sklearn.decomposition.sparse_encode

Ejemplos

>>> 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).fit(X, y)
>>> reg.score(X, y)
0.9991...
>>> reg.n_nonzero_coefs_
10
>>> reg.predict(X[:1,])
array([-78.3854...])

Métodos

`fit`	Ajusta 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()¶

Ajusta 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,): 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_samples, n_samples_fitted), donde n_samples_fitted 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.