RegressorChain#

класс sklearn.multioutput.RegressorChain(estimator=None, *, порядок=None, cv=None, random_state=None, verbose=False, base_estimator='устаревший')[источник]#

Многометочная модель, которая организует регрессии в цепочку.

Каждая модель делает прогноз в порядке, указанном цепочкой, используя все доступные признаки, предоставленные модели, а также прогнозы моделей, которые находятся раньше в цепочке.

Подробнее в Руководство пользователя.

Добавлено в версии 0.20.

Параметры:
estimatorestimator

Базовый оценщик, на котором построена цепочка регрессоров.

порядокмассивоподобный объект формы (n_outputs,) или 'random', по умолчанию=None

Если None, порядок будет определяться порядком столбцов в матрице меток Y.:

order = [0, 1, 2, ..., Y.shape[1] - 1]

Порядок цепочки может быть явно задан предоставлением списка целых чисел. Например, для цепочки длиной 5:

order = [1, 3, 2, 4, 0]

означает, что первая модель в цепочке будет делать предсказания для столбца 1 в матрице Y, вторая модель будет делать предсказания для столбца 3 и т.д.

Если порядок 'random', будет использоваться случайный порядок.

cvint, генератор кросс-валидации или итерируемый объект, по умолчанию=None

Определяет, использовать ли перекрестно проверенные предсказания или истинные метки для результатов предыдущих оценщиков в цепочке. Возможные значения для cv:

  • None, чтобы использовать истинные метки при обучении,

  • целое число, чтобы указать количество фолдов в (Stratified)KFold,

  • CV splitter,

  • Итерируемый объект, возвращающий (обучающие, тестовые) разбиения в виде массивов индексов.

random_stateint, экземпляр RandomState или None, опционально (по умолчанию=None)

Если order='random', определяет генерацию случайных чисел для порядка цепочки. Кроме того, он управляет случайным начальным числом, задаваемым на каждом base_estimator на каждой итерации цепочки. Таким образом, он используется только тогда, когда base_estimator предоставляет random_state. Передайте целое число для воспроизводимого результата при множественных вызовах функции. См. Глоссарий.

verbosebool, по умолчанию=False

Если True, прогресс цепочки выводится по завершении каждой модели.

Добавлено в версии 1.2.

base_estimatorestimator, по умолчанию="deprecated"

Используйте estimator вместо этого.

Устарело с версии 1.7: base_estimator устарел и будет удален в версии 1.9. Используйте estimator вместо этого.

Атрибуты:
estimators_list

Список клонов base_estimator.

order_list

Порядок меток в цепочке классификаторов.

n_features_in_int

Количество признаков, замеченных во время fit. Определено только если базовый base_estimator предоставляет такой атрибут при обучении.

Добавлено в версии 0.24.

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

ClassifierChain

Эквивалент для классификации.

MultiOutputRegressor

Обучает каждый выход независимо, а не цепочкой.

Примеры

>>> from sklearn.multioutput import RegressorChain
>>> from sklearn.linear_model import LogisticRegression
>>> logreg = LogisticRegression(solver='lbfgs')
>>> X, Y = [[1, 0], [0, 1], [1, 1]], [[0, 2], [1, 1], [2, 0]]
>>> chain = RegressorChain(logreg, order=[0, 1]).fit(X, Y)
>>> chain.predict(X)
array([[0., 2.],
       [1., 1.],
       [2., 0.]])
fit(X, Y, **fit_params)[источник]#

Обучить модель на матрице признаков X и целевых значениях Y.

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

Входные данные.

Yarray-like формы (n_samples, n_classes)

Целевые значения.

**fit_paramsсловарь строк -> объект

Параметры, передаваемые в fit метод на каждом шаге цепочки регрессоров.

Добавлено в версии 0.23.

Возвращает:
selfobject

Возвращает обученный экземпляр.

6332()[источник]#

Получить маршрутизацию метаданных этого объекта.

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

Добавлено в версии 1.3.

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)[источник]#

Предсказание на матрице данных X с использованием модели ClassifierChain.

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

Входные данные.

Возвращает:
Y_predarray-like формы (n_samples, n_classes)

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 = '$UNCHANGED$') → RegressorChain[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.