TransformedTargetRegressor#

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

用于对变换后的目标进行回归的元估计器。

适用于在回归问题中对目标 y 应用非线性变换。此变换可以作为 Transformer（例如 QuantileTransformer）给出，也可以作为函数及其逆函数（例如 np.log 和 np.exp）给出。

在 fit 期间的计算是

regressor.fit(X, func(y))

或

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

在 predict 期间的计算是

inverse_func(regressor.predict(X))

或

transformer.inverse_transform(regressor.predict(X))

在用户指南中了解更多。

0.20 版本新增。

参数:

regressor对象, 默认=None: 回归器对象，例如派生自 RegressorMixin。此回归器将在每次拟合之前自动克隆。如果 regressor 为 None，则创建并使用 LinearRegression。
transformer对象, 默认=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 为 None，且 func 和 inverse_func 也为 None，则变换器将是恒等变换器。请注意，变换器将在拟合期间被克隆。此外，变换器将 y 限制为 NumPy 数组。
func函数, 默认=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 为 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二维数组。
inverse_func函数, 默认=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同一空间。如果设置了 inverse_func，则也需要提供 func。逆函数需要返回一个二维数组。
check_inverse布尔值, 默认=True: 是否检查 transform 后跟 inverse_transform 或 func 后跟 inverse_func 是否能还原原始目标。

属性:

regressor_对象: 已拟合的回归器。
transformer_对象: 在 fit 和 predict 中使用的变换器。
n_features_in_整型: 在拟合期间见到的特征数量。
feature_names_in_形状为 (n_features_in_,) 的 ndarray: 在拟合期间见到的特征名称。仅当 X 的所有特征名称均为字符串时才定义。

1.0 版本新增。

另请参见

sklearn.preprocessing.FunctionTransformer: 从任意可调用对象构造变换器。

备注

在内部，目标 y 总是被转换为二维数组，以便被 scikit-learn 变换器使用。在预测时，输出将被重塑为与 y 相同维度的数组。

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变换的效果。

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

根据给定的训练数据拟合模型。

参数:

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

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

y形状为 (n_samples,) 的类数组

目标值。

**fit_params字典

如果 enable_metadata_routing=False (默认值)：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: 有关详细信息，请参阅元数据路由用户指南。

返回:

self对象: 已拟合的估计器。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查阅用户指南，了解路由机制的工作原理。

1.6 版本新增。

返回:

routingMetadataRouter: 一个封装路由信息的 MetadataRouter。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:

deep布尔值, 默认=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。

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

使用基础回归器进行预测，并应用逆变换。

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

参数:

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

样本。

**predict_paramsstr -> 对象字典

如果 enable_metadata_routing=False (默认值)：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: 有关详细信息，请参阅元数据路由用户指南。

返回:

y_hat形状为 (n_samples,) 的 ndarray: 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()。最佳可能分数是 1.0，它也可以是负数（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得到 0.0 的 $R^2$ 分数。

参数:

X形状为 (n_samples, n_features) 的类数组: 测试样本。对于某些估计器，这可能是一个预计算的核矩阵，或一个通用对象列表，其形状为 (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: X 的真实值。
sample_weight形状为 (n_samples,) 的类数组, 默认=None: 样本权重。

返回:

score浮点数: 相对于 y，self.predict(X) 的 $R^2$ 值。

备注

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（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: