AdaBoostRegressor#

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

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，然后使用相同的数据集拟合额外的回归器副本，但会根据当前预测的误差调整实例的权重。因此，后续的回归器会更加关注困难的案例。

该类实现了名为 AdaBoost.R2 [2] 的算法。

在用户指南中阅读更多内容。

版本 0.14 中新增。

参数:
estimatorobject, default=None

用于构建提升集成（boosted ensemble）的基础估计器。如果为 None，则基础估计器是使用 max_depth=3 初始化的 DecisionTreeRegressor。

版本 1.2 中新增： base_estimator 已重命名为 estimator。

n_estimatorsint, default=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。取值范围必须在 [1, inf) 之间。

learning_ratefloat, default=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。取值范围必须在 (0.0, inf) 之间。

loss{‘linear’, ‘square’, ‘exponential’}, default=’linear’

在每次提升迭代后更新权重时使用的损失函数。

random_stateint, RandomState instance or None, default=None

控制在每次提升迭代中赋予每个 estimator 的随机种子。因此，仅当 estimator 暴露了 random_state 时才使用它。此外，它还控制用于在每次提升迭代中训练 estimator 的权重的自举（bootstrap）。传入一个 int 值可以在多次函数调用中获得可重现的输出。请参阅 词汇表。

属性:
estimator_estimator

用于构建集成的基础估计器。

版本 1.2 中新增: base_estimator_ 已重命名为 estimator_。

estimators_list of regressors

已拟合子估计器的集合。

estimator_weights_ndarray of floats

提升集成中每个估计器的权重。

estimator_errors_ndarray of floats

提升集成中每个估计器的回归误差。

feature_importances_ndarray of shape (n_features,)

基于杂质的特征重要性。

n_features_in_int

在 拟合 期间看到的特征数。

0.24 版本新增。

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

AdaBoostClassifier

AdaBoost 分类器。

GradientBoostingRegressor

梯度提升分类树。

sklearn.tree.DecisionTreeRegressor

决策树回归器。

References

[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 拟合一系列决策树作为弱学习器的详细示例，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) 构建一个提升的分类器/回归器。

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

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。

yarray-like of shape (n_samples,)

目标值。

sample_weightshape 为 (n_samples,) 的 array-like, default=None

样本权重。如果为 None，则样本权重初始化为 1 / n_samples。

返回:
selfobject

拟合的估计器。

get_metadata_routing()[source]#

引发 NotImplementedError。

此估计器尚不支持元数据路由。

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)[source]#

预测 X 的回归值。

输入样本的预测回归值被计算为集成中回归器的加权中值预测。

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

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:
yndarray of shape (n_samples,)

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()。最佳得分为 1.0，它也可以是负值（因为模型可能任意地差）。一个总是预测 y 期望值，忽略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

在版本 0.23 中，当在回归器上调用 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_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → AdaBoostRegressor[source]#

配置是否应请求元数据以传递给 fit 方法。

请注意，此方法仅在以下情况下相关：此估计器用作 元估计器 中的子估计器，并且通过 enable_metadata_routing=True 启用了元数据路由（请参阅 sklearn.set_config）。请查看 用户指南 以了解路由机制的工作原理。

每个参数的选项如下：

  • 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：应将元数据以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更改其他参数。

在版本 1.3 中新增。

参数:
sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

fit 方法中 sample_weight 参数的元数据路由。

返回:
selfobject

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:
**paramsdict

估计器参数。

返回:
selfestimator instance

估计器实例。

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

配置是否应请求元数据以传递给 score 方法。

请注意，此方法仅在以下情况下相关：此估计器用作 元估计器 中的子估计器，并且通过 enable_metadata_routing=True 启用了元数据路由（请参阅 sklearn.set_config）。请查看 用户指南 以了解路由机制的工作原理。

每个参数的选项如下：

  • 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：应将元数据以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更改其他参数。

在版本 1.3 中新增。

参数:
sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

score 方法中 sample_weight 参数的元数据路由。

返回:
selfobject

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被计算为集成中回归器的加权中值预测。

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

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

训练输入样本。

生成:
ygenerator of ndarray of shape (n_samples,)

预测的回归值。

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

返回 X, y 的分阶段分数。

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

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

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。

yarray-like of shape (n_samples,)

X 的标签。

sample_weightshape 为 (n_samples,) 的 array-like, default=None

样本权重。

生成:
zfloat