MultiOutputRegressor#

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

多目标回归。

此策略由为每个目标拟合一个回归器组成。这是扩展不原生支持多目标回归的回归器的简单策略。

版本 0.18 新增。

参数:
estimator估计器对象

一个实现了 fit 和 predict 的估计器对象。

n_jobsint 或 None, 可选 (默认=None)

要并行运行的作业数量。 fit、predict 和 partial_fit（如果传入的估计器支持）将为每个目标并行化。

当单个估计器训练或预测速度很快时，使用 n_jobs > 1 由于并行开销，可能会导致性能变慢。

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 Glossary。

版本 0.20 中已更改： n_jobs 的默认值从 1 更改为 None。

属性:
estimators_列表，包含 n_output 个估计器

用于预测的估计器。

n_features_in_int

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

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。仅当底层估计器在拟合时公开此类属性时才定义。

1.0 版本新增。

另请参阅

RegressorChain

将回归器排列成链的多标签模型。

MultiOutputClassifier

独立地对每个输出进行分类，而不是串联。

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]#

为每个输出变量独立地拟合模型。

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

输入数据。

y{array-like, sparse matrix} shape (n_samples, n_outputs)

多输出目标。指示器矩阵会开启多标签估计。

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

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

**fit_paramsdict of string -> object

传递给每个步骤的 estimator.fit 方法的参数。

0.23 版本新增。

返回:
selfobject

返回拟合的实例。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查阅 用户指南，了解路由机制如何工作。

在版本 1.3 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。

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

为每个输出变量增量式地拟合模型。

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

输入数据。

y{array-like, sparse matrix} shape (n_samples, n_outputs)

多输出目标。

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

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

**partial_fit_paramsdict of str -> object

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。

在版本 1.3 中新增。

返回:
selfobject

返回拟合的实例。

predict(X)[source]#

使用每个目标变量的模型预测多输出变量。

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

输入数据。

返回:
y{array-like, sparse matrix} shape (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]#

返回测试数据的 决定系数。

确定系数 \(R^2\) 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()。最佳得分是 1.0，它也可能是负数（因为模型可能任意地更差）。一个始终预测 y 的期望值而忽略输入特征的常数模型将获得 \(R^2\) 得分 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 0.23 版本开始，调用回归器的 score 方法使用的 \(R^2\) 得分使用 multioutput='uniform_average'，以保持与 r2_score 的默认值一致。这会影响所有多输出回归器（MultiOutputRegressor 除外）的 score 方法。

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

Configure whether metadata should be requested to be passed to the partial_fit method.

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: metadata is requested, and passed to partial_fit if provided. The request is ignored if metadata is not provided.

  • False: metadata is not requested and the meta-estimator will not pass it to 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：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

Metadata routing for sample_weight parameter in partial_fit.

返回:
selfobject

更新后的对象。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → MultiOutputRegressor[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。