AdaBoostRegressor#

class sklearn.ensemble.AdaBoostRegressor(estimator=None, *, n_estimators=50, learning_rate=1.0, loss='linear', random_state=None)[source]#

一个 AdaBoost 回归器。

AdaBoost [1] 回归器是一种元估计器，它首先在原始数据集上拟合一个回归器，然后根据当前预测的误差调整实例的权重，在相同数据集上拟合回归器的额外副本。因此，后续回归器更关注难处理的样本。

此类实现了称为 AdaBoost.R2 [2] 的算法。

详情请参阅用户指南。

0.14 版新增。

参数:
estimator对象，默认值=None

用于构建增强集成器的基估计器。如果为 None，则基估计器是使用 max_depth=3 初始化的 DecisionTreeRegressor。

1.2 版新增：base_estimator 已重命名为 estimator。

n_estimators整数，默认值=50

终止提升的最大估计器数量。如果完美拟合，学习过程会提前停止。值必须在 [1, inf) 范围内。

learning_rate浮点数，默认值=1.0

在每次提升迭代中应用于每个回归器的权重。更高的学习率会增加每个回归器的贡献。在 learning_rate 和 n_estimators 参数之间存在权衡。值必须在 (0.0, inf) 范围内。

loss{‘linear’（线性）, ‘square’（平方）, ‘exponential’（指数）}，默认值=’linear’（线性）

在每次提升迭代后更新权重时使用的损失函数。

random_state整数，RandomState 实例或 None，默认值=None

控制在每次提升迭代中赋给每个 estimator 的随机种子。因此，仅当 estimator 暴露 random_state 时才使用它。此外，它控制用于在每次提升迭代中训练 estimator 的权重自举。传递一个整数可在多次函数调用中获得可重现的输出。参见术语表。

属性:
estimator_估计器

集成器从中生长的基估计器。

1.2 版新增：base_estimator_ 已重命名为 estimator_。

estimators_回归器列表

已拟合的子估计器集合。

estimator_weights_浮点数 ndarray

增强集成器中每个估计器的权重。

estimator_errors_浮点数 ndarray

增强集成器中每个估计器的回归误差。

feature_importances_形状为 (n_features,) 的 ndarray

基于不纯度的特征重要性。

n_features_in_整数

在拟合过程中见到的特征数量。

0.24 版新增。

feature_names_in_形状为 (n_features_in_,) 的 ndarray

在拟合过程中见到的特征名称。仅当 X 的所有特征名称均为字符串时才定义。

1.0 版新增。

另请参阅

AdaBoostClassifier

一个 AdaBoost 分类器。

GradientBoostingRegressor

梯度提升分类树。

sklearn.tree.DecisionTreeRegressor

一个决策树回归器。

参考文献

[1]

Y. Freund, R. Schapire, “A Decision-Theoretic Generalization of on-Line Learning and an Application to Boosting”, 1995。

[2]

  1. Drucker, “Improving Regressors using Boosting Techniques”, 1997。

示例

>>> from sklearn.ensemble import AdaBoostRegressor
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(n_features=4, n_informative=2,
...                        random_state=0, shuffle=False)
>>> regr = AdaBoostRegressor(random_state=0, n_estimators=100)
>>> regr.fit(X, y)
AdaBoostRegressor(n_estimators=100, random_state=0)
>>> regr.predict([[0, 0, 0, 0]])
array([4.7972])
>>> regr.score(X, y)
0.9771

有关利用 AdaBoostRegressor 将一系列决策树作为弱学习器进行拟合的详细示例，请参阅使用 AdaBoost 的决策树回归。

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

根据训练集 (X, y) 构建一个增强分类器/回归器。

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

训练输入样本。稀疏矩阵可以是 CSC、CSR、COO、DOK 或 LIL。COO、DOK 和 LIL 将被转换为 CSR。

y形状为 (n_samples,) 的类数组

目标值。

sample_weight形状为 (n_samples,) 的类数组，默认值=None

样本权重。如果为 None，样本权重将被初始化为 1 / n_samples。

返回:
self对象

已拟合的估计器。

get_metadata_routing()[source]#

引发 NotImplementedError。

此估计器暂不支持元数据路由。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:
deep布尔值，默认值=True

如果为 True，将返回此估计器及其包含的作为估计器的子对象的参数。

返回:
params字典

参数名称与其值之间的映射。

predict(X)[source]#

预测 X 的回归值。

输入样本的预测回归值计算为集成器中回归器的加权中位数预测值。

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

训练输入样本。稀疏矩阵可以是 CSC、CSR、COO、DOK 或 LIL。COO、DOK 和 LIL 将被转换为 CSR。

返回:
y形状为 (n_samples,) 的 ndarray

预测的回归值。

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

返回测试数据的决定系数。

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()，\(v\) 是总平方和 ((y_true - y_true.mean()) ** 2).sum()。最佳得分是 1.0，它也可以是负数（因为模型可能任意糟糕）。一个总是预测 y 的期望值，而不考虑输入特征的常数模型，其 \(R^2\) 得分为 0.0。

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的核矩阵，或者是一个通用对象列表，其形状为 (n_samples, n_samples_fitted)，其中 n_samples_fitted 是用于估计器拟合的样本数量。

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，默认值=None

样本权重。

返回:
score浮点数

self.predict(X) 相对于 y 的 \(R^2\) 值。

备注

在回归器上调用 score 时使用的 \(R^2\) 分数，自 0.23 版起使用 multioutput='uniform_average' 以与 r2_score 的默认值保持一致。这会影响所有多输出回归器（MultiOutputRegressor 除外）的 score 方法。

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

请求传递给 fit 方法的元数据。

请注意，此方法仅在 enable_metadata_routing=True 时才有效（参见 sklearn.set_config）。请参阅用户指南，了解路由机制的工作原理。

每个参数的选项是

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

  • 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，元估计器将引发错误。

  • str：元数据应使用此给定别名而不是原始名称传递给元估计器。

默认值 (sklearn.utils.metadata_routing.UNCHANGED) 保留现有请求。这允许您更改某些参数的请求，而不改变其他参数。

1.3 版新增。

注意

此方法仅在此估计器用作元估计器的子估计器时才有效，例如在 Pipeline 内部使用时。否则它没有效果。

参数:
sample_weight字符串，True，False 或 None，默认值=sklearn.utils.metadata_routing.UNCHANGED

用于 fit 方法中 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。

此方法适用于简单估计器以及嵌套对象（例如 Pipeline）。后者具有 <component>__<parameter> 形式的参数，以便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_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → AdaBoostRegressor[source]#

请求传递给 score 方法的元数据。

请注意，此方法仅在 enable_metadata_routing=True 时才有效（参见 sklearn.set_config）。请参阅用户指南，了解路由机制的工作原理。

每个参数的选项是

  • True：请求元数据，如果提供则传递给 score。如果未提供元数据，则请求被忽略。

  • 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，元估计器将引发错误。

  • str：元数据应使用此给定别名而不是原始名称传递给元估计器。

默认值 (sklearn.utils.metadata_routing.UNCHANGED) 保留现有请求。这允许您更改某些参数的请求，而不改变其他参数。

1.3 版新增。

注意

此方法仅在此估计器用作元估计器的子估计器时才有效，例如在 Pipeline 内部使用时。否则它没有效果。

参数:
sample_weight字符串，True，False 或 None，默认值=sklearn.utils.metadata_routing.UNCHANGED

用于 score 方法中 sample_weight 参数的元数据路由。

返回:
self对象

更新后的对象。

staged_predict(X)[source]#

返回 X 的分阶段预测。

输入样本的预测回归值计算为集成器中回归器的加权中位数预测值。

此生成器方法在每次提升迭代后生成集成预测，因此允许进行监控，例如确定每次提升后测试集上的预测。

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

训练输入样本。

生成:
y形状为 (n_samples,) 的 ndarray 生成器

预测的回归值。

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

返回 X, y 的分阶段得分。

此生成器方法在每次提升迭代后生成集成得分，因此允许进行监控，例如确定每次提升后测试集上的得分。

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

训练输入样本。稀疏矩阵可以是 CSC、CSR、COO、DOK 或 LIL。COO、DOK 和 LIL 将被转换为 CSR。

y形状为 (n_samples,) 的类数组

X 的标签。

sample_weight形状为 (n_samples,) 的类数组，默认值=None

样本权重。

生成:
z浮点数