多输出回归器#

class sklearn.multioutput.MultiOutputRegressor(estimator, *, n_jobs=None)[source]#

多目标回归。

此策略包括为每个目标拟合一个回归器。这是一种简单的策略，用于扩展本身不支持多目标回归的回归器。

0.18 版本中添加。

参数：
estimator估计器对象

实现 fit 和 predict 的估计器对象。

n_jobsint 或 None，可选 (默认值=None)

并行运行的作业数。fit、predict 和 partial_fit（如果被传递的估计器支持）将针对每个目标并行化。

当单个估计器训练或预测速度很快时，由于并行化开销，使用 n_jobs > 1 可能会导致性能下降。

除非在 joblib.parallel_backend 上下文中，None 表示 1。 -1 表示使用所有可用的进程/线程。更多细节请参见 术语表。

0.20版本中的变更: n_jobs 的默认值已从 1 更改为 None。

属性：
estimators_包含 n_output 个估计器的列表

用于预测的估计器。

n_features_in_int

在 拟合过程中看到的特征数量。只有在底层 estimator 在拟合时公开了此属性的情况下才定义。

0.24版本中新增。

feature_names_in_形状为 (n_features_in_,) 的ndarray

在 拟合过程中看到的特征名称。只有在底层估计器在拟合时公开了此属性的情况下才定义。

1.0版本中新增。

另请参见

回归器链

一种将回归模型排列成链的多标签模型。

多输出分类器

独立地对每个输出进行分类，而不是链式分类。

示例

>>> import numpy as np
>>> from sklearn.datasets import load_linnerud
>>> from sklearn.multioutput import MultiOutputRegressor
>>> from sklearn.linear_model import Ridge
>>> X, y = load_linnerud(return_X_y=True)
>>> regr = MultiOutputRegressor(Ridge(random_state=123)).fit(X, y)
>>> regr.predict(X[[0]])
array([[176..., 35..., 57...]])
fit(X, y, sample_weight=None, **fit_params)[source]#

分别为每个输出变量拟合模型到数据。

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

输入数据。

y形状为 (n_samples, n_outputs) 的 {数组、稀疏矩阵}

多输出目标。指示矩阵打开多标签估计。

sample_weight形状为 (n_samples,) 的数组，默认为 None

样本权重。如果为 None，则样本权重相等。只有在底层回归器支持样本权重的情况下才支持。

**fit_params字符串到对象的字典

传递给每个步骤的 estimator.fit 方法的参数。

0.23版本中新增。

返回：
self对象

返回已拟合的实例。

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。

1.3版本中新增。

返回：
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：
deep布尔值，默认为 True

如果为 True，则将返回此估计器和包含的子对象（也是估计器）的参数。

返回：
params字典

参数名称与其值的映射。

partial_fit(X, y, sample_weight=None, **partial_fit_params)[source]#

为每个输出变量增量拟合模型到数据。

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

输入数据。

y形状为 (n_samples, n_outputs) 的 {数组、稀疏矩阵}

多输出目标。

sample_weight形状为 (n_samples,) 的数组，默认为 None

样本权重。如果为 None，则样本权重相等。只有在底层回归器支持样本权重的情况下才支持。

**partial_fit_params字符串到对象的字典

传递给每个子估计器的 estimator.partial_fit 方法的参数。

只有在 enable_metadata_routing=True 时才可用。参见 用户指南。

1.3版本中新增。

返回：
self对象

返回已拟合的实例。

predict(X)[source]#

使用每个目标变量的模型预测多输出变量。

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

输入数据。

返回：
y形状为 (n_samples, n_outputs) 的 {数组、稀疏矩阵}

跨多个预测器预测的多输出目标。注意：为每个预测器生成单独的模型。

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，但也可能为负数（因为模型可能任意差）。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，这可能是一个预先计算好的核矩阵，或者是一个形状为 (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,) 的数组，默认为 None

样本权重。

返回：
score浮点数

\(R^2\) of self.predict(X) 关于 y。

备注

从 0.23 版本开始，调用回归器的 score 方法时使用的 \(R^2\) 分数使用 multioutput='uniform_average'，以保持与 r2_score 的默认值一致。这会影响所有多输出回归器的 score 方法（MultiOutputRegressor 除外）。

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

传递给 fit 方法的请求元数据。

请注意，只有在 enable_metadata_routing=True 时（参见 sklearn.set_config），此方法才相关。请参阅 用户指南，了解路由机制的工作原理。

每个参数的选项为

  • True：请求元数据，如果提供则传递给 fit。如果未提供元数据，则忽略请求。

  • False：不请求元数据，元估计器不会将其传递给 fit。

  • None：不请求元数据，如果用户提供元数据，元估计器将引发错误。

  • str：元数据应使用此给定的别名而不是原始名称传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有的请求。这允许您更改某些参数的请求，而不会更改其他参数的请求。

1.3版本中新增。

注意

只有在此估计器用作元估计器的子估计器时（例如，在 Pipeline 中使用）此方法才相关。否则，它无效。

参数：
sample_weightstr，True，False 或 None，默认为 sklearn.utils.metadata_routing.UNCHANGED

fit 中 sample_weight 参数的元数据路由。

返回：
self对象

更新后的对象。

set_params(**params)[source]#

设置此估计器的参数。

此方法适用于简单的估计器以及嵌套对象（例如 Pipeline）。后者具有 <component>__<parameter> 形式的参数，因此可以更新嵌套对象的每个组件。

参数：
**params字典

估计器参数。

返回：
self估计器实例

估计器实例。

set_partial_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → MultiOutputRegressor[source]#

传递给 partial_fit 方法的请求元数据。

请注意，只有在 enable_metadata_routing=True 时（参见 sklearn.set_config），此方法才相关。请参阅 用户指南，了解路由机制的工作原理。

每个参数的选项为

  • True：请求元数据，如果提供，则将其传递给partial_fit。如果未提供元数据，则忽略该请求。

  • False：不请求元数据，元估计器不会将其传递给partial_fit。

  • None：不请求元数据，如果用户提供元数据，元估计器将引发错误。

  • str：元数据应使用此给定的别名而不是原始名称传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有的请求。这允许您更改某些参数的请求，而不会更改其他参数的请求。

1.3版本中新增。

注意

只有在此估计器用作元估计器的子估计器时（例如，在 Pipeline 中使用）此方法才相关。否则，它无效。

参数：
sample_weightstr，True，False 或 None，默认为 sklearn.utils.metadata_routing.UNCHANGED

partial_fit 中sample_weight参数的元数据路由。

返回：
self对象

更新后的对象。

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

请求传递给score方法的元数据。

请注意，只有在 enable_metadata_routing=True 时（参见 sklearn.set_config），此方法才相关。请参阅 用户指南，了解路由机制的工作原理。

每个参数的选项为

  • True：请求元数据，如果提供，则将其传递给score。如果未提供元数据，则忽略该请求。

  • False：不请求元数据，元估计器不会将其传递给score。

  • None：不请求元数据，如果用户提供元数据，元估计器将引发错误。

  • str：元数据应使用此给定的别名而不是原始名称传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有的请求。这允许您更改某些参数的请求，而不会更改其他参数的请求。

1.3版本中新增。

注意

只有在此估计器用作元估计器的子估计器时（例如，在 Pipeline 中使用）此方法才相关。否则，它无效。

参数：
sample_weightstr，True，False 或 None，默认为 sklearn.utils.metadata_routing.UNCHANGED

score 中sample_weight参数的元数据路由。

返回：
self对象

更新后的对象。