目标变换回归器#

class sklearn.compose.TransformedTargetRegressor(regressor=None, *, transformer=None, func=None, inverse_func=None, check_inverse=True)[source]#

用于对变换后的目标进行回归的元估计器。

用于对回归问题中的目标变量y应用非线性变换。此变换可以作为转换器给出，例如QuantileTransformer，也可以作为函数及其逆函数给出，例如np.log和np.exp。

在fit期间的计算为

regressor.fit(X, func(y))

或

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

在predict期间的计算为

inverse_func(regressor.predict(X))

或

transformer.inverse_transform(regressor.predict(X))

更多信息请阅读用户指南。

0.20 版本新增。

参数：

regressor对象，默认为 None: 回归器对象，例如派生自RegressorMixin。此回归器在每次拟合之前都会自动克隆。如果regressor is None，则创建并使用LinearRegression。
transformer对象，默认为 None: 估计器对象，例如派生自TransformerMixin。不能与func和inverse_func同时设置。如果transformer is None以及func和inverse_func，则转换器将是恒等转换器。请注意，转换器将在拟合期间被克隆。此外，转换器将y限制为NumPy数组。
func函数，默认为 None: 在传递到fit之前应用于y的函数。不能与transformer同时设置。如果func is None，则使用的函数将是恒等函数。如果设置了func，则也需要提供inverse_func。该函数需要返回一个二维数组。
inverse_func函数，默认为 None: 应用于回归器预测的函数。不能与transformer同时设置。逆函数用于将预测结果返回到原始训练标签的相同空间。如果设置了inverse_func，则也需要提供func。逆函数需要返回一个二维数组。
check_inverse布尔值，默认为 True: 是否检查transform后跟inverse_transform或func后跟inverse_func是否导致原始目标值。

属性：

regressor_对象: 拟合后的回归器。
transformer_对象: 在fit和predict中使用的转换器。
n_features_in_整数: 在拟合期间看到的特征数量。
feature_names_in_形状为 (n_features_in_,) 的 ndarray: 在拟合期间看到的特征名称。仅当X具有全是字符串的特征名称时才定义。

1.0 版本新增。

另请参见

sklearn.preprocessing.FunctionTransformer: 从任意可调用对象构造转换器。

注释

内部，目标变量y总是转换为二维数组，以供 scikit-learn 转换器使用。在预测时，输出将被重新整形，使其具有与y相同的维度。

示例

>>> 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.])

有关更详细的示例用例，请参阅回归模型中目标变量变换的影响。

fit(X, y, **fit_params)[source]#

根据给定的训练数据拟合模型。

参数：

X形状为 (n_samples, n_features) 的 {数组型、稀疏矩阵}

训练向量，其中n_samples是样本数，n_features是特征数。

y形状为 (n_samples,) 的数组型

目标值。

**fit_params字典

如果enable_metadata_routing=False（默认）：直接传递给底层回归器的fit方法的参数。
如果enable_metadata_routing=True：安全地路由到底层回归器的fit方法的参数。

1.6 版本中已更改：有关更多详细信息，请参阅元数据路由用户指南。

返回值：

self对象: 拟合后的估计器。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查看用户指南，了解路由机制的工作原理。

1.6 版本新增。

返回值：

routingMetadataRouter: 一个MetadataRouter，封装了路由信息。

get_params(deep=True)[source]#

获取此估计器的参数。

参数：

deepbool，默认为 True: 如果为 True，则将返回此估计器和包含的子对象（这些子对象是估计器）的参数。

返回值：

paramsdict: 参数名称与其值的映射。

property n_features_in_#: 在拟合期间看到的特征数量。

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

使用基础回归器进行预测，并应用反向变换。

使用回归器进行预测，并在返回预测结果之前应用inverse_func或inverse_transform。

参数：

X形状为 (n_samples, n_features) 的 {数组型、稀疏矩阵}

样本。

**predict_paramsdict of str -> object

如果enable_metadata_routing=False（默认）：参数直接传递到基础回归器的predict方法。
如果enable_metadata_routing=True：参数安全地路由到基础回归器的predict方法。

1.6 版本中已更改：有关更多详细信息，请参阅元数据路由用户指南。

返回值：

y_hat形状为 (n_samples,) 的 ndarray: 预测值。

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

返回预测的决定系数。

决定系数$R^2$定义为$(1 - \frac{u}{v})$，其中$u$是残差平方和((y_true - y_pred)** 2).sum()，而$v$是总平方和((y_true - y_true.mean()) ** 2).sum()。最佳分数为 1.0，也可能为负值（因为模型可以任意差）。一个始终预测y期望值的常数模型（忽略输入特征）将获得 0.0 的$R^2$分数。

参数：

X形状为 (n_samples, n_features) 的类数组: 测试样本。对于某些估计器，这可能是预先计算的核矩阵，或者形状为(n_samples, n_samples_fitted)的泛型对象列表，其中n_samples_fitted是估计器拟合中使用的样本数。
y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组: X的真实值。
sample_weight形状为 (n_samples,) 的类数组，默认为 None: 样本权重。

返回值：