MultiOutputRegressor#

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

多目标回归。

这种策略包括为每个目标拟合一个回归器。这是一种扩展不原生支持多目标回归的回归器的简单策略。

0.18 版本新增。

参数:
estimator估计器对象

实现 fit 和 predict 方法的估计器对象。

n_jobsint 或 None，可选（默认值=None）

要并行运行的作业数。fit、predict 和 partial_fit（如果传入的估计器支持）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，使用 n_jobs > 1 可能会因为并行开销而导致性能变慢。

None 表示 1，除非在 joblib.parallel_backend 上下文中。-1 表示使用所有可用的进程/线程。有关更多详细信息，请参阅术语表。

0.20 版本更改: n_jobs 默认值从 1 更改为 None。

属性:
estimators_n_output 个估计器列表

用于预测的估计器。

n_features_in_int 类型

在 fit 期间看到的特征数量。仅当底层 estimator 在拟合时公开此属性时才定义。

0.24 版本新增。

feature_names_in_形状为 (n_features_in_,) 的 ndarray

在 fit 期间看到的特征名称。仅当底层估计器在拟合时公开此属性时才定义。

1.0 版本新增。

另请参阅

RegressorChain

将回归排列成链的多标签模型。

MultiOutputClassifier

独立分类每个输出而不是链式分类。

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, 35.1, 57.1]])
fit(X, y, sample_weight=None, **fit_params)[source]#

为每个输出变量分别拟合模型到数据。

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

输入数据。

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

多输出目标。一个指示矩阵开启多标签估计。

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

样本权重。如果为 None，则样本权重相等。仅当底层回归器支持样本权重时才支持。

**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 版本新增。

返回:
self对象

返回一个已拟合的实例。

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。

1.3 版本新增。

返回:
routingMetadataRouter

封装路由信息的 MetadataRouter。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:
deep布尔型，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

参数名称及其对应的值。

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

针对每个输出变量，逐步将模型拟合到数据。

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

输入数据。

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

多输出目标。

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

样本权重。如果为 None，则样本权重相等。仅当底层回归器支持样本权重时才支持。

**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。

仅当 enable_metadata_routing=True 时可用。请参阅用户指南。

1.3 版本新增。

返回:
self对象

返回一个已拟合的实例。

predict(X)[source]#

使用针对每个目标变量的模型预测多输出变量。

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

输入数据。

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

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]#

返回测试数据上的决定系数。

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()。最佳可能分数为 1.0，并且可能为负（因为模型可能任意差）。一个始终预测 y 期望值而不考虑输入特征的常数模型将获得 0.0 的 \(R^2\) 分数。

参数:
X类数组，形状为 (n_samples, n_features)

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类数组，形状为 (n_samples,) 或 (n_samples, n_outputs)

X 的真实值。

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

样本权重。

返回:
score浮点型

self.predict(X) 相对于 y 的 \(R^2\)。

注意

在回归器上调用 score 时使用的 \(R^2\) 分数从 0.23 版本开始使用 multioutput='uniform_average'，以与 r2_score 的默认值保持一致。这影响了所有多输出回归器（除了 MultiOutputRegressor）的 score 方法。

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

请求传递给 fit 方法的元数据。

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

每个参数的选项包括

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

  • 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: 元数据应以这个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) 保留现有请求。这允许您更改某些参数的请求而不更改其他参数。

1.3 版本新增。

注意

仅当此估计器用作元估计器的子估计器时，例如在 Pipeline 内部使用时，此方法才相关。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

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

请求传递给 partial_fit 方法的元数据。

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

每个参数的选项包括

  • True: 请求元数据，如果提供则传递给 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: 元数据应以这个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) 保留现有请求。这允许您更改某些参数的请求而不更改其他参数。

1.3 版本新增。

注意

仅当此估计器用作元估计器的子估计器时，例如在 Pipeline 内部使用时，此方法才相关。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

partial_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_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，此方法仅当 enable_metadata_routing=True 时才相关（参见 sklearn.set_config）。请参阅用户指南，了解路由机制的工作原理。

每个参数的选项包括

  • 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: 元数据应以这个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) 保留现有请求。这允许您更改某些参数的请求而不更改其他参数。

1.3 版本新增。

注意

仅当此估计器用作元估计器的子估计器时，例如在 Pipeline 内部使用时，此方法才相关。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

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。