RegressorChain#

class sklearn.multioutput.RegressorChain(estimator=None, *, order=None, cv=None, random_state=None, verbose=False, base_estimator='deprecated')[source]#

一个将回归器排列成链的多标签模型。

每个模型按照链中指定的顺序进行预测，使用提供给模型的所有可用特征以及链中早期模型的预测。

在用户指南中阅读更多。

版本 0.20 中新增。

参数:

estimatorestimator

用于构建回归器链的基础估计器。

order形状为 (n_outputs,) 的类数组对象或 'random'，默认值=None

如果为 None，顺序将由标签矩阵 Y 中的列顺序决定。

order = [0, 1, 2, ..., Y.shape[1] - 1]

链的顺序可以通过提供一个整数列表明确设置。例如，对于长度为 5 的链。

order = [1, 3, 2, 4, 0]

表示链中的第一个模型将对 Y 矩阵中的第 1 列进行预测，第二个模型将对第 3 列进行预测，依此类推。

如果 order 为 'random'，将使用随机顺序。

cvint, 交叉验证生成器或可迭代对象，默认值=None

决定是使用交叉验证的预测还是链中早期估计器的真实标签作为结果。cv 的可能输入是

None，拟合时使用真实标签，
整数，指定 (Stratified)KFold 中的折叠数量，
CV 分割器,
一个可迭代对象，生成 (train, test) 分割作为索引数组。

random_stateint, RandomState 实例或 None，可选 (默认值=None)

如果 order='random'，则决定链顺序的随机数生成。此外，它还控制每次链式迭代中赋予每个 base_estimator 的随机种子。因此，仅当 base_estimator 暴露 random_state 属性时才使用。传入一个整数可确保多次函数调用之间输出可重现。参见词汇表。

verbosebool, 默认值=False

如果为 True，则在每个模型完成时输出链的进度。

版本 1.2 中新增。

base_estimatorestimator, 默认值="deprecated"

请改用 estimator。

自 1.7 版本起已废弃: base_estimator 已废弃，将在 1.9 版本中移除。请改用 estimator。

属性:

estimators_list: base_estimator 克隆的列表。
order_list: 分类器链中标签的顺序。
n_features_in_int: 拟合期间看到的特征数量。仅当底层 base_estimator 拟合时暴露此属性时才定义。

版本 0.24 中新增。
feature_names_in_形状为 (n_features_in_,) 的 ndarray: 拟合期间看到的特征名称。仅当 X 的特征名称全部为字符串时才定义。

版本 1.0 中新增。

另请参阅

ClassifierChain: 等效的分类器。
MultiOutputRegressor: 独立学习每个输出而非链式学习。

示例

>>> from sklearn.multioutput import RegressorChain
>>> from sklearn.linear_model import LogisticRegression
>>> logreg = LogisticRegression(solver='lbfgs')
>>> X, Y = [[1, 0], [0, 1], [1, 1]], [[0, 2], [1, 1], [2, 0]]
>>> chain = RegressorChain(logreg, order=[0, 1]).fit(X, Y)
>>> chain.predict(X)
array([[0., 2.],
       [1., 1.],
       [2., 0.]])

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

使用数据矩阵 X 和目标 Y 拟合模型。

参数:

X形状为 (n_samples, n_features) 的类数组对象或稀疏矩阵: 输入数据。
Y形状为 (n_samples, n_classes) 的类数组对象: 目标值。
**fit_params字符串 -> 对象的 dict: 传递给回归器链的每一步的 fit 方法的参数。

版本 0.23 中新增。

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。

请查看用户指南，了解路由机制如何工作。

版本 1.3 中新增。

返回:

routingMetadataRouter: 一个包含路由信息的 MetadataRouter。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:

deepbool, 默认值=True: 如果为 True，将返回此估计器及其包含的子估计器的参数。

返回:

paramsdict: 参数名称映射到其值。

predict(X)[source]#

使用 ClassifierChain 模型对数据矩阵 X 进行预测。

参数:

X形状为 (n_samples, n_features) 的类数组对象或稀疏矩阵: 输入数据。

返回:

Y_pred形状为 (n_samples, n_classes) 的类数组对象: 预测值。

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（因为模型可能任意地差）。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，这可能是预先计算的核矩阵，或者是一个通用对象列表，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: self.predict(X) 相对于 y 的 $R^2$ 分数。

注意

在调用回归器的 score 方法时使用的 $R^2$ 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。这会影响所有多输出回归器（MultiOutputRegressor 除外）的 score 方法。

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，因此可以更新嵌套对象的每个组件。

参数:

**paramsdict: 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 = '$UNCHANGED$') → RegressorChain[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。

版本 1.3 中新增。

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 中使用时。否则无效。

参数:

sample_weightstr, 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。

RegressorChain#

本页