VotingRegressor#
- class sklearn.ensemble.VotingRegressor(estimators, *, weights=None, n_jobs=None, verbose=False)[source]#
未拟合估计器的预测投票回归器。
投票回归器是一种集成元估计器，它在整个数据集上拟合多个基本回归器。然后它对每个回归器的预测进行平均，形成最终预测。
有关详细示例，请参阅绘制独立和投票回归预测。
在用户指南中了解更多。
自 0.21 版本新增。
- 参数：
- estimators(str, estimator) 元组列表
在
VotingRegressor上调用fit方法将拟合原始估计器的克隆，这些克隆将存储在类属性self.estimators_中。可以使用set_params将估计器设置为'drop'。自 0.21 版本变更：接受
'drop'。在 0.22 版本中，使用 None 已弃用，并在 0.24 版本中移除支持。- weights形状为 (n_regressors,) 的类数组对象，默认值=None
在平均之前，用于对预测值出现次数进行加权的权重序列（
float或int）。如果为None，则使用均匀权重。- n_jobsint，默认值=None
对于
fit方法并行运行的作业数量。None表示1，除非在joblib.parallel_backend上下文中。-1表示使用所有处理器。更多详情请参见词汇表。- verbosebool，默认值=False
如果为 True，拟合完成后将打印所花费的时间。
自 0.23 版本新增。
- 属性：
另请参阅
VotingClassifier软投票/多数规则分类器。
示例
>>> import numpy as np >>> from sklearn.linear_model import LinearRegression >>> from sklearn.ensemble import RandomForestRegressor >>> from sklearn.ensemble import VotingRegressor >>> from sklearn.neighbors import KNeighborsRegressor >>> r1 = LinearRegression() >>> r2 = RandomForestRegressor(n_estimators=10, random_state=1) >>> r3 = KNeighborsRegressor() >>> X = np.array([[1, 1], [2, 4], [3, 9], [4, 16], [5, 25], [6, 36]]) >>> y = np.array([2, 6, 12, 20, 30, 42]) >>> er = VotingRegressor([('lr', r1), ('rf', r2), ('r3', r3)]) >>> print(er.fit(X, y).predict(X)) [ 6.8 8.4 12.5 17.8 26 34]
在以下示例中，我们使用
set_params删除'lr'估计器，并拟合剩余的两个估计器。>>> er = er.set_params(lr='drop') >>> er = er.fit(X, y) >>> len(er.estimators_) 2
- fit(X, y, **fit_params)[source]#
拟合估计器。
- 参数：
- X形状为 (n_samples, n_features) 的 {类数组对象, 稀疏矩阵}
训练向量，其中
n_samples是样本数量，n_features是特征数量。- y形状为 (n_samples,) 的类数组对象
目标值。
- **fit_paramsdict
传递给底层估计器的参数。
自 1.5 版本新增：仅当
enable_metadata_routing=True时可用，可通过使用sklearn.set_config(enable_metadata_routing=True)进行设置。更多详情请参阅元数据路由用户指南。
- 返回：
- self对象
已拟合的估计器。
- fit_transform(X, y=None, **fit_params)[source]#
返回每个估计器的类别标签或概率。
返回每个估计器对 X 的预测。
- 参数：
- X形状为 (n_samples, n_features) 的 {类数组对象, 稀疏矩阵, 数据帧}
输入样本。
- y形状为 (n_samples,) 的 ndarray，默认值=None
目标值（对于无监督转换，为 None）。
- **fit_paramsdict
附加拟合参数。
- 返回：
- X_new形状为 (n_samples, n_features_new) 的 ndarray 数组
转换后的数组。
- get_feature_names_out(input_features=None)[source]#
获取转换的输出特征名称。
- 参数：
- input_featuresstr 或 None 的类数组对象，默认值=None
未使用，此处存在是为了 API 约定一致性。
- 返回：
- feature_names_outstr 对象的 ndarray
转换后的特征名称。
- get_metadata_routing()[source]#
获取此对象的元数据路由。
请查阅用户指南，了解路由机制的工作原理。
自 1.5 版本新增。
- 返回：
- routingMetadataRouter
一个封装路由信息的
MetadataRouter。
- get_params(deep=True)[source]#
获取集成中估计器的参数。
返回构造函数中给定的参数以及
estimators参数中包含的估计器。- 参数：
- deepbool，默认值=True
将其设置为 True 可获取各种估计器及其参数。
- 返回：
- paramsdict
参数和估计器名称与其值或参数名称与其值的映射。
- predict(X)[source]#
预测 X 的回归目标。
输入样本的预测回归目标计算为集成中估计器的平均预测回归目标。
- 参数：
- X形状为 (n_samples, n_features) 的 {类数组对象, 稀疏矩阵}
输入样本。
- 返回：
- y形状为 (n_samples,) 的 ndarray
预测值。
- 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()。最好的分数是 1.0，它也可以是负数（因为模型可能任意差）。一个总是预测y的期望值而忽略输入特征的常量模型将获得 0.0 的 \(R^2\) 分数。- 参数：
- X形状为 (n_samples, n_features) 的类数组对象
测试样本。对于某些估计器，这可能是一个预计算的核矩阵，或者是一个通用对象的列表，形状为
(n_samples, n_samples_fitted)，其中n_samples_fitted是估计器拟合中使用的样本数量。- y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组对象
X的真实值。- sample_weight形状为 (n_samples,) 的类数组对象，默认值=None
样本权重。
- 返回：
- scorefloat
相对于
y，self.predict(X)的\(R^2\)。
注意
在回归器上调用
score时使用的\(R^2\)分数自 0.23 版本起使用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（除了MultiOutputRegressor）的score方法。
- set_output(*, transform=None)[source]#
设置输出容器。
有关如何使用此 API 的示例，请参阅set_output API 介绍。
- 参数：
- transform{“default”, “pandas”, “polars”}，默认值=None
配置
transform和fit_transform的输出。"default"：转换器的默认输出格式"pandas"：DataFrame 输出"polars"：Polars 输出None：转换配置不变
自 1.4 版本新增：添加了
"polars"选项。
- 返回：
- self估计器实例
估计器实例。
- set_params(**params)[source]#
设置集成中估计器的参数。
有效的参数键可以使用
get_params()列出。请注意，您可以直接设置estimators中包含的估计器的参数。- 参数：
- **params关键字参数
使用例如
set_params(parameter_name=new_value)设置特定参数。此外，除了设置估计器的参数外，也可以设置或通过将其设置为“drop”来移除估计器的单个估计器。
- 返回：
- self对象
估计器实例。
- set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') VotingRegressor[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时相关（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：元数据应以给定别名而非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更改其他参数。自 1.3 版本新增。
注意
此方法仅当此估计器用作元估计器的子估计器时才相关，例如在
Pipeline内部使用时。否则，它没有效果。- 参数：
- sample_weightstr、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。
