模型抽象类 simple_ml.base.base_model

• 模型抽象类 simple_ml.base.base_model
  • 一、分类模型
    • 1.1 继承关系
    • 1.2 方法
    • 3. 成员属性
  • 二、转换模型
    • 2.1 继承关系
    • 2.2 方法
    • 2.3 成员属性
  • 三、多分类转二分类 (Multi2Binary)
    • 3.1 继承关系
    • 3.2 类方法
    • 3.3 成员属性
• 返回主页

一、分类模型

class BaseClassifier(object):
    
    __metaclass__ = ABCMeta
    
    def __init__(self):
        pass

1.1 继承关系

子类

• simple_ml.bayes
  • class NaiveBayes(BaseClassifier):
  • class BaseBayesMinimumError(BaseClassifier):
  • class BayesMinimumRisk(BaseBayesMinimumError):
• simple_ml.bp_network
  • class BaseBPNetwork(BaseClassifier):
• simple_ml.ensemble
  • class AdaBoost(BaseClassifier):
  • class CARTForGBDT(CART):
  • class GBDT(BaseClassifier, BaseFeatureSelect):
• simple_ml.knn
  • class KNN(BaseClassifier):
  • class KDTree(KNN):
• simple_ml.logistic
  • class LogisticRegression(BaseClassifier):
  • class Lasso(LogisticRegression, BaseFeatureSelect):
  • class Ridge(Lasso):
• simple_ml.svm
  • class SVM(BaseClassifier):
• simple_ml.tree
  • class ID3(BaseClassifier):
  • class CART(BaseClassifier):
  • class RandomForest(BaseClassifier):

父类

None

1.2 方法

def _clear()

清空所有变量

@staticmethod
def _check_y(y)
@staticmethod
def _check_x(x)

检查y和x的shape、变量类型 是否满足要求

@staticmethod
def _check_label_type(y)
@staticmethod
def _check_feature_type(x)

检查特征和标签的类别，即 LabelType

@abstractmethod
def fit(self, x, y):
    pass

@abstractmethod
def predict(self, x):
    pass

@abstractmethod
def score(self, x, y):
    pass

分类模型的核心方法，子类必须重写

3. 成员属性

二、转换模型

class BaseTransform(object):
    
    __metaclass__ = ABCMeta
    
    def __init__(self):
        pass    

2.1 继承关系

子类

• simple_ml.feature_select
  • class Embedded(BaseTransform):
  • class Filter(BaseTransform):
• simple_ml.pca.py (3 usages found)
  • class PCA(BaseTransform):

父类

None

2.2 方法

def _clear()

清空所有变量

@staticmethod
def _check_y(y)
@staticmethod
def _check_x(x)

检查y和x的shape、变量类型 是否满足要求

@staticmethod
def _check_label_type(y)
@staticmethod
def _check_feature_type(x)

检查特征和标签的类别，即 LabelType

@abstractmethod
def fit(self, x, y):
    pass

@abstractmethod
def transform(self, x):
    pass

@abstractmethod
def fit_transform(self, x, y):
    pass

转换模型的核心方法，子类必须重写

2.3 成员属性

三、多分类转二分类 (Multi2Binary)

class Multi2Binary:

    def __init__(self):
        pass

针对部分模型难以从模型角度解决多分类问题，比如SVM， Logistic，AdaBoost， simple_ml构建了一个转换类，通过实例化多个分类器，来进行多分类，具体做法如下：

• 对标签[0,1,1,2]进行分类
• 构建三个二元分类器，如Logistic回归
• 每个分类器分别对 [1, 0, 0, 0], [0, 1, 1, 0], [0, 0, 0, 1]三个标签进行拟合
• 针对预测样本，举个例子：
  • 对样本x， 分类器1预测结果为1， 分类器2预测结果为0， 分类器3预测结果为1
  • 那么，分类器1给出结果为类“0”，分类器2给出结果为“类0或类2”，分类器3给出结果为“类2”
  • 计数得到：{类0:2, 类1:0, 类2:2}，根据计数大小，选择最大且靠前（靠前仅仅是为了统一结果)的类别

3.1 继承关系

• simple_ml.ensemble
  • class AdaBoost(BaseClassifier, Multi2Binary)
• simple_ml.logistic
  • class LogisticRegression(BaseClassifier, Multi2Binary)
  • class Lasso(LogisticRegression)
  • class Ridge(Lasso)
• simple_ml.neural_network
  • class NeuralNetwork(BaseClassifier, Multi2Binary)
• simple_ml.svm
  • class SVM(BaseClassifier, Multi2Binary)

3.2 类方法

1 多值拟合

def _multi_fit(self, model)

当子类标签类别为多值时，在子类的fit函数中调用，传入实例本身：

self._multi_fit(self)

2 多值单样本预测

def _multi_predict_single(self, x)

3 多值多样本预测

 def _multi_predict(self, x)

3.3 成员属性

返回主页