VotingRegressor#

class sklearn.ensemble.VotingRegressor(estimators, *, weights=None, n_jobs=None, verbose=False)[source]#

未拟合估算器的预测投票回归器。

投票回归器（Voting Regressor）是一种集成元估计器，它在整个数据集上拟合多个基础回归器。然后，它将各个预测结果取平均值以形成最终预测。

有关详细示例，请参阅绘制个体和投票回归预测。

在用户指南中了解更多信息。

0.21 版本新增。

参数:
estimatorslist of (str, estimator) tuples

在 VotingRegressor 上调用 fit 方法将拟合这些原始估计器的克隆体，这些克隆体将存储在类属性 self.estimators_ 中。可以使用 set_params 将估计器设置为 'drop'。

版本 0.21 中的更改： 接受 'drop'。在 0.22 中弃用使用 None，并在 0.24 中移除支持。

weightsarray-like of shape (n_regressors,), default=None

在取平均值之前，用于对预测值出现次数加权的权重序列（float 或 int）。如果为 None，则使用均匀权重。

n_jobsint, default=None

为 fit 并行运行的作业数。除非在 joblib.parallel_backend 上下文中，否则 None 表示 1。-1 表示使用所有处理器。有关更多详细信息，请参阅词汇表。

verbosebool, default=False

如果为 True，则在拟合完成时会打印耗时。

0.23 版本新增。

属性:
estimators_list of regressors

已拟合的子估计器集合，如 estimators 中所定义且不为 'drop'。

named_estimators_Bunch

按名称访问任何已拟合的子估计器的属性。

0.20 版本新增。

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

VotingClassifier

软投票/多数规则分类器。

示例

>>> import numpy as np
>>> from sklearn.linear_model import LinearRegression
>>> from sklearn.ensemble import RandomForestRegressor
>>> from sklearn.ensemble import VotingRegressor
>>> from sklearn.neighbors import KNeighborsRegressor
>>> r1 = LinearRegression()
>>> r2 = RandomForestRegressor(n_estimators=10, random_state=1)
>>> r3 = KNeighborsRegressor()
>>> X = np.array([[1, 1], [2, 4], [3, 9], [4, 16], [5, 25], [6, 36]])
>>> y = np.array([2, 6, 12, 20, 30, 42])
>>> er = VotingRegressor([('lr', r1), ('rf', r2), ('r3', r3)])
>>> print(er.fit(X, y).predict(X))
[ 6.8  8.4 12.5 17.8 26  34]

在下面的示例中，我们使用 set_params 丢弃了 'lr' 估计器，并拟合了剩余的两个估计器

>>> er = er.set_params(lr='drop')
>>> er = er.fit(X, y)
>>> len(er.estimators_)
2
fit(X, y, **fit_params)[source]#

拟合估计器。

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

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

yarray-like of shape (n_samples,)

目标值。

**fit_paramsdict

Parameters to pass to the underlying estimators.

Added in version 1.5: Only available if enable_metadata_routing=True, which can be set by using sklearn.set_config(enable_metadata_routing=True). See Metadata Routing User Guide for more details.

返回:
selfobject

拟合的估计器。

fit_transform(X, y=None, **fit_params)[source]#

返回每个估计器的类别标签或概率。

返回每个估计器对 X 的预测。

参数:
X{array-like, sparse matrix, dataframe} of shape (n_samples, n_features)

输入样本。

yndarray of shape (n_samples,), default=None

目标值（对于无监督转换，为 None）。

**fit_paramsdict

额外的拟合参数。

返回:
X_newndarray array of shape (n_samples, n_features_new)

转换后的数组。

get_feature_names_out(input_features=None)[source]#

获取转换的输出特征名称。

参数:
input_featuresarray-like of str or None, default=None

Not used, present here for API consistency by convention.

返回:
feature_names_outstr 对象的 ndarray

转换后的特征名称。

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。

1.5 版本新增。

返回:
routingMetadataRouter

封装路由信息的 MetadataRouter。

get_params(deep=True)[source]#

获取集合中估计器的参数。

返回构造函数中给定的参数以及 estimators 参数中包含的估计器。

参数:
deepbool, default=True

将其设置为 True 将获取各种估计器以及估计器的参数。

返回:
paramsdict

参数和估计器名称映射到它们的值，或者参数名称映射到它们的值。

property named_estimators#

按名称访问任何已拟合的子估计器的字典。

返回:
Bunch
predict(X)[source]#

预测 X 的回归目标。

输入样本的预测回归目标计算为集成中估计器的平均预测回归目标。

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

输入样本。

返回:
yndarray 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()。最佳可能得分是 1.0，它也可以是负值（因为模型可能任意差）。一个总是预测 y 期望值（不考虑输入特征）的常数模型的 \(R^2\) 得分将为 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 regressor 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。这会影响所有多输出回归器（除了 MultiOutputRegressor）的 score 方法。

set_output(*, transform=None)[source]#

设置输出容器。

有关如何使用 API 的示例，请参阅引入 set_output API。

参数:
transform{“default”, “pandas”, “polars”}, default=None

配置 transform 和 fit_transform 的输出。

  • "default": 转换器的默认输出格式

  • "pandas": DataFrame 输出

  • "polars": Polars 输出

  • None: 转换配置保持不变

1.4 版本新增: 添加了 "polars" 选项。

返回:
selfestimator instance

估计器实例。

set_params(**params)[source]#

设置集合中估计器的参数。

有效的参数键可以通过 get_params() 列出。请注意，您可以直接设置 estimators 中包含的估计器的参数。

参数:
**paramskeyword arguments

使用例如 set_params(parameter_name=new_value) 设置特定参数。除了设置估计器的参数外，还可以设置 estimators 的单个估计器，或者通过将它们设置为 ‘drop’ 来移除。

返回:
selfobject

估计器实例。

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

transform(X)[source]#

返回每个估计器对 X 的预测。

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

输入样本。

返回:
predictionsndarray of shape (n_samples, n_classifiers)

每个回归器预测的值。