DummyRegressor#

класс sklearn.dummy.DummyRegressor(*, стратегия='mean', константа=None, квантиль=None)[источник]#

Регрессор, который делает прогнозы с использованием простых правил.

Этот регрессор полезен как простая базовая линия для сравнения с другими (реальными) регрессорами. Не используйте его для реальных задач.

Подробнее в Руководство пользователя.

Добавлено в версии 0.13.

Параметры:
стратегия{“mean”, “median”, “quantile”, “constant”}, по умолчанию=”mean”

Стратегия для генерации предсказаний.

  • “mean”: всегда предсказывает среднее значение обучающего набора

  • “median”: всегда предсказывает медиану обучающего набора

  • "quantile": всегда предсказывает указанный квантиль обучающего набора, заданный параметром quantile.

  • "constant": всегда предсказывает постоянное значение, предоставленное пользователем.

константаint или float или array-like формы (n_outputs,), по умолчанию=None

Явная константа, предсказанная стратегией "constant". Этот параметр полезен только для стратегии "constant".

квантильfloat в [0.0, 1.0], по умолчанию=None

Квантиль для предсказания с использованием стратегии "quantile". Квантиль 0.5 соответствует медиане, а 0.0 — минимуму и 1.0 — максимуму.

Атрибуты:
constant_ndarray формы (1, n_outputs)

Среднее, медиана или квантиль целевых переменных обучения или постоянное значение, заданное пользователем.

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.

n_outputs_int

Количество выходов.

Смотрите также

DummyClassifier

Классификатор, который делает предсказания с использованием простых правил.

Примеры

>>> import numpy as np
>>> from sklearn.dummy import DummyRegressor
>>> X = np.array([1.0, 2.0, 3.0, 4.0])
>>> y = np.array([2.0, 3.0, 5.0, 10.0])
>>> dummy_regr = DummyRegressor(strategy="mean")
>>> dummy_regr.fit(X, y)
DummyRegressor()
>>> dummy_regr.predict(X)
array([5., 5., 5., 5.])
>>> dummy_regr.score(X, y)
0.0
fit(X, y, sample_weight=None)[источник]#

Обучить базовый регрессор.

Параметры:
Xarray-like формы (n_samples, n_features)

Обучающие данные.

yarray-like формы (n_samples,) или (n_samples, n_outputs)

Целевые значения.

sample_weightarray-like формы (n_samples,), по умолчанию=None

Веса выборок.

Возвращает:
selfobject

Обученный оценщик.

6332()[источник]#

Получить маршрутизацию метаданных этого объекта.

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

Возвращает:
маршрутизацияMetadataRequest

A MetadataRequest 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, return_std=False)[источник]#

Выполнить классификацию на тестовых векторах X.

Параметры:
Xarray-like формы (n_samples, n_features)

Тестовые данные.

return_stdbool, по умолчанию=False

Следует ли возвращать стандартное отклонение апостериорного предсказания. Все нули в этом случае.

Добавлено в версии 0.20.

Возвращает:
yarray-like формы (n_samples,) или (n_samples, n_outputs)

Предсказанные целевые значения для X.

y_stdarray-like формы (n_samples,) или (n_samples, n_outputs)

Стандартное отклонение прогностического распределения точек запроса.

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

Вернуть коэффициент детерминации R^2 прогноза.

Коэффициент R^2 определяется как (1 - u/v), где u это остаточная сумма квадратов ((y_true - y_pred) ** 2).sum() и v является общей суммой квадратов ((y_true - y_true.mean()) ** 2).sum(). Наилучший возможный результат равен 1.0, и он может быть отрицательным (поскольку модель может быть сколь угодно хуже). Постоянная модель, которая всегда предсказывает ожидаемое значение y, игнорируя входные признаки, получит R^2 оценку 0.0.

Параметры:
XNone или массивоподобный формы (n_samples, n_features)

Тестовые образцы. Передача None в качестве тестовых образцов дает тот же результат, что и передача реальных тестовых образцов, поскольку DummyRegressor работает независимо от выбранных наблюдений.

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 от self.predict(X) относительно y.

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

Настроить, следует ли запрашивать передачу метаданных в fit 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 fit если предоставлено. Запрос игнорируется, если метаданные не предоставлены.

  • False: метаданные не запрашиваются, и мета-оценщик не передаст их в fit.

  • 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 fit.

Возвращает:
selfobject

Обновленный объект.

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_predict_request(*, return_std: bool | None | str = '$UNCHANGED$') → DummyRegressor[источник]#

Настроить, следует ли запрашивать передачу метаданных в predict 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 predict если предоставлено. Запрос игнорируется, если метаданные не предоставлены.

  • False: метаданные не запрашиваются, и мета-оценщик не передаст их в predict.

  • 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:
return_stdstr, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для return_std параметр в predict.

Возвращает:
selfobject

Обновленный объект.

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → DummyRegressor[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:
selfobject

Обновленный объект.