TransformedTargetRegressor#

class sklearn.compose.TransformedTargetRegressor(regressor=None, *, transformer=None, func=None, inverse_func=None, check_inverse=True)[source]#

用于对转换后的目标进行回归的元估算器。

在回归问题中，用于对目标变量 y 应用非线性转换非常有用。此转换可以作为 Transformer（例如 QuantileTransformer），也可以作为函数及其逆函数（例如 np.log 和 np.exp）。

在 fit 期间的计算如下：

regressor.fit(X, func(y))

或

regressor.fit(X, transformer.transform(y))

在 predict 期间的计算如下：

inverse_func(regressor.predict(X))

或

transformer.inverse_transform(regressor.predict(X))

在用户指南中阅读更多内容。

0.20 版本新增。

参数:

regressorobject, default=None: 回归器对象，例如派生自 RegressorMixin。在拟合之前，此回归器每次都会自动克隆。如果 regressor is None，则创建并使用 LinearRegression。
transformerobject, default=None: 估计器对象，例如派生自 TransformerMixin。不能与 func 和 inverse_func 同时设置。如果 transformer is None，并且 func 和 inverse_func 也为 None，则转换器将为恒等转换器。请注意，转换器将在拟合期间克隆。此外，转换器将限制 y 为 numpy 数组。
funcfunction, default=None: 在传递给 fit 之前应用于 y 的函数。不能与 transformer 同时设置。如果 func is None，则使用的函数将是恒等函数。如果设置了 func，则也需要提供 inverse_func。该函数需要返回一个 2 维数组。
inverse_funcfunction, default=None: 应用于回归器预测的函数。不能与 transformer 同时设置。逆函数用于将预测返回到原始训练标签的相同空间。如果设置了 inverse_func，则也需要提供 func。逆函数需要返回一个 2 维数组。
check_inversebool, default=True: 是否检查 transform 后跟 inverse_transform，或 func 后跟 inverse_func 是否会恢复到原始目标。

属性:

regressor_object: 已拟合的回归器。
transformer_object: 在 fit 和 predict 中使用的转换器。
n_features_in_int: 在拟合期间看到的特征数。
feature_names_in_shape 为 (n_features_in_,) 的 ndarray: 在 fit 期间看到的特征名称。仅当 X 具有全部为字符串的特征名称时才定义。

1.0 版本新增。

另请参阅

sklearn.preprocessing.FunctionTransformer: 从任意可调用对象构造一个转换器。

注意事项

在内部，目标 y 总是被转换为 2 维数组以供 scikit-learn 转换器使用。在预测时，输出将被重新整形为与 y 具有相同维数。

示例

>>> import numpy as np
>>> from sklearn.linear_model import LinearRegression
>>> from sklearn.compose import TransformedTargetRegressor
>>> tt = TransformedTargetRegressor(regressor=LinearRegression(),
...                                 func=np.log, inverse_func=np.exp)
>>> X = np.arange(4).reshape(-1, 1)
>>> y = np.exp(2 * X).ravel()
>>> tt.fit(X, y)
TransformedTargetRegressor(...)
>>> tt.score(X, y)
1.0
>>> tt.regressor_.coef_
array([2.])

有关更详细的用例示例，请参阅回归模型中目标转换的效果。

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

根据给定的训练数据拟合模型。

参数:

Xshape 为 (n_samples, n_features) 的 {array-like, sparse matrix}

训练向量，其中 n_samples 是样本数，n_features 是特征数。

yarray-like of shape (n_samples,)

目标值。

**fit_paramsdict

如果 enable_metadata_routing=False (默认)：直接传递给底层回归器的 fit 方法的参数。
如果 enable_metadata_routing=True：安全路由到底层回归器的 fit 方法的参数。

版本 1.6 中有更改: 有关更多详细信息，请参阅元数据路由用户指南。

返回:

selfobject: 拟合的估计器。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查阅用户指南，了解路由机制如何工作。

版本 1.6 中新增。

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:

deepbool, default=True: 如果为 True，将返回此估计器以及包含的子对象（如果它们是估计器）的参数。

返回:

paramsdict: 参数名称映射到其值。

predict(X, **predict_params)[source]#

使用基本回归器进行预测，并应用逆转换。

使用回归器进行预测，并在返回预测之前应用 inverse_func 或 inverse_transform。

参数:

Xshape 为 (n_samples, n_features) 的 {array-like, sparse matrix}

样本。

**predict_paramsdict of str -> object

如果 enable_metadata_routing=False (默认)：直接传递给底层回归器的 predict 方法的参数。
如果 enable_metadata_routing=True：安全路由到底层回归器的 predict 方法的参数。

版本 1.6 中有更改: 有关更多详细信息，请参阅元数据路由用户指南。

返回:

y_hatndarray of shape (n_samples,): 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，分数可以为负值（因为模型可能任意地差）。一个总是预测 y 期望值而不考虑输入特征的常数模型将获得 $R^2$ 分数 0.0。

参数:

Xshape 为 (n_samples, n_features) 的 array-like: 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一个通用对象列表，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。
yshape 为 (n_samples,) 或 (n_samples, n_outputs) 的 array-like: X 的真实值。
sample_weightshape 为 (n_samples,) 的 array-like, default=None: 样本权重。

返回:

scorefloat: self.predict(X) 相对于 y 的 $R^2$。

注意事项

从版本 0.23 开始，在对回归器调用 score 时使用的 $R^2$ 分数使用 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_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（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: