#27137#

класс sklearn.compose.#27137(регрессор=None, *, преобразователь=None, функция=None, inverse_func=None, check_inverse=True)[источник]#

Мета-оценщик для регрессии на преобразованной цели.

Полезно для применения нелинейного преобразования к целевой переменной y в задачах регрессии. Это преобразование может быть задано как Transformer, такой как QuantileTransformer или как функция и ее обратная, такая как np.log и np.exp.

Вычисления во время fit равен:

regressor.fit(X, func(y))

или:

regressor.fit(X, transformer.transform(y))

Вычисления во время predict равен:

inverse_func(regressor.predict(X))

или:

transformer.inverse_transform(regressor.predict(X))

Подробнее в Руководство пользователя.

Добавлено в версии 0.20.

Параметры:

регрессорobject, default=None: Объект регрессора, такой как производный от RegressorMixin. Этот регрессор будет автоматически клонироваться каждый раз перед обучением. Если regressor is None, LinearRegression создается и используется.
преобразовательobject, default=None: Объект Estimator, такой как производный от TransformerMixin. Не может быть установлен одновременно с func и inverse_func. Если transformer is None а также func и inverse_funcтрансформер будет тождественным трансформером. Обратите внимание, что трансформер будет клонирован во время обучения. Также трансформер ограничивает y должен быть массивом numpy.
функцияфункция, по умолчанию=None: Функция для применения к y перед передачей в fit. Не может быть установлен одновременно с transformer. Если func is None, используемая функция будет тождественной функцией. Если func установлен, inverse_func также должен быть предоставлен. Функция должна возвращать двумерный массив.
inverse_funcфункция, по умолчанию=None: Функция для применения к предсказанию регрессора. Не может быть установлена одновременно с transformer. Обратная функция используется для возврата предсказаний в то же пространство, что и исходные метки обучения. Если inverse_func установлен, func также должен быть предоставлен. Обратная функция должна возвращать двумерный массив.
check_inversebool, по умолчанию=True: Проверять ли, что transform с последующим inverse_transform или func с последующим inverse_func приводит к исходным целевым значениям.

Атрибуты:

regressor_object: Обученный регрессор.
transformer_object: Преобразователь, используемый в fit и predict.
n_features_in_int: Количество признаков, замеченных во время fit.
feature_names_in_ndarray формы (n_features_in_,): Имена признаков, наблюдаемых во время fit. Определено только когда X имеет имена признаков, которые все являются строками.

Добавлено в версии 1.0.

Смотрите также

sklearn.preprocessing.FunctionTransformer: Создать преобразователь из произвольной вызываемой функции.

Примечания

Внутренне целевая переменная y всегда преобразуется в двумерный массив для использования преобразователями scikit-learn. Во время предсказания выходные данные будут преобразованы обратно, чтобы иметь то же количество измерений, что и y.

Примеры

>>> import numpy as np
>>> from sklearn.linear_model import LinearRegression
>>> from sklearn.compose import TransformedTargetRegressor
>>> tt = TransformedTargetRegressor(regressor=LinearRegression(),
...                                 func=np.log, inverse_func=np.exp)
>>> X = np.arange(4).reshape(-1, 1)
>>> y = np.exp(2 * X).ravel()
>>> tt.fit(X, y)
TransformedTargetRegressor(...)
>>> tt.score(X, y)
1.0
>>> tt.regressor_.coef_
array([2.])

Для более подробного примера использования обратитесь к Эффект преобразования целей в регрессионной модели.

fit(X, y, **fit_params)[источник]#

Обучает модель на основе предоставленных обучающих данных.

Параметры:

X{array-like, sparse matrix} формы (n_samples, n_features)

Вектор обучения, где n_samples — это количество образцов и n_features это количество признаков.

yarray-like формы (n_samples,)

Целевые значения.

**fit_paramsdict

Если enable_metadata_routing=False (по умолчанию): Параметры, напрямую передаваемые в fit метод базового регрессора.
Если enable_metadata_routing=True: Параметры, безопасно перенаправляемые в fit метод базового регрессора.

Изменено в версии 1.6: См. Руководство по маршрутизации метаданных для более подробной информации.

Возвращает:

selfobject: Обученный оценщик.

6332()[источник]#

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Добавлено в версии 1.6.

Возвращает:

маршрутизацияMetadataRouter: A MetadataRouter Инкапсуляция информации о маршрутизации.

get_params(глубокий=True)[источник]#

Получить параметры для этого оценщика.

Параметры:

глубокийbool, по умолчанию=True: Если True, вернет параметры для этого оценщика и вложенных подобъектов, которые являются оценщиками.

Возвращает:

paramsdict: Имена параметров, сопоставленные с их значениями.

predict(X, **predict_params)[источник]#

Предсказание с использованием базового регрессора, применяя обратное преобразование.

Регрессор используется для предсказания и inverse_func или inverse_transform применяется перед возвратом предсказания.

Параметры:

X{array-like, sparse matrix} формы (n_samples, n_features)

Образцы.

**predict_paramsdict of str -> object

Если enable_metadata_routing=False (по умолчанию): Параметры, напрямую передаваемые в predict метод базового регрессора.
Если enable_metadata_routing=True: Параметры, безопасно перенаправляемые в predict метод базового регрессора.

Изменено в версии 1.6: См. Руководство по маршрутизации метаданных для получения дополнительной информации.

Возвращает:

y_hatndarray формы (n_samples,): Предсказанные значения.

score(X, y, sample_weight=None)[источник]#

Возвращает коэффициент детерминации на тестовых данных.

Коэффициент детерминации, $R^2$, определяется как $(1 - \frac{u}{v})$, где $u$ является остаточной суммой квадратов ((y_true - y_pred)** 2).sum() и $v$ является общей суммой квадратов ((y_true - y_true.mean()) ** 2).sum()Лучший возможный результат - 1.0, и он может быть отрицательным (потому что модель может быть сколь угодно хуже). Постоянная модель, которая всегда предсказывает ожидаемое значение y, игнорируя входные признаки, получит $R^2$ оценка 0.0.

Параметры:

Xarray-like формы (n_samples, n_features): Тестовые выборки. Для некоторых оценщиков это может быть предварительно вычисленная матрица ядра или список общих объектов вместо этого с формой (n_samples, n_samples_fitted), где n_samples_fitted — это количество образцов, использованных при обучении оценщика.
yarray-like формы (n_samples,) или (n_samples, n_outputs): Истинные значения для X.
sample_weightarray-like формы (n_samples,), по умолчанию=None: Веса выборок.

Возвращает:

scorefloat: $R^2$ of self.predict(X) относительно y.

Примечания

The $R^2$ оценка, используемая при вызове score на регрессоре использует multioutput='uniform_average' с версии 0.23 для сохранения согласованности со значением по умолчанию r2_score. Это влияет на score метод всех многомерных регрессоров (кроме MultiOutputRegressor).

set_params(**params)[источник]#

Установить параметры этого оценщика.

Метод работает как на простых оценщиках, так и на вложенных объектах (таких как Pipeline). Последние имеют параметры вида __ чтобы можно было обновить каждый компонент вложенного объекта.

Параметры:

**paramsdict: Параметры оценщика.

Возвращает:

selfэкземпляр estimator: Экземпляр оценщика.

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → #27137[источник]#

Настроить, следует ли запрашивать передачу метаданных в score метод.

Обратите внимание, что этот метод актуален только тогда, когда этот оценщик используется как под-оценщик внутри мета-оценщик и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Варианты для каждого параметра:

True: запрашиваются метаданные и передаются score если предоставлено. Запрос игнорируется, если метаданные не предоставлены.
False: метаданные не запрашиваются, и мета-оценщик не передаст их в score.
None: метаданные не запрашиваются, и мета-оценщик выдаст ошибку, если пользователь предоставит их.
str: метаданные должны передаваться мета-оценщику с этим заданным псевдонимом вместо исходного имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет существующий запрос. Это позволяет изменять запрос для некоторых параметров, но не для других.

Добавлено в версии 1.3.

Параметры:

sample_weightstr, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED: Маршрутизация метаданных для sample_weight параметр в score.

Возвращает: