回归器链#

class sklearn.multioutput.RegressorChain(base_estimator, *, order=None, cv=None, random_state=None, verbose=False)[source]#

一种将回归模型排列成链的多标签模型。

每个模型按照链中指定的顺序进行预测，它使用提供给模型的所有可用特征以及链中较早模型的预测结果。

更多信息请参见用户指南。

版本 0.20 中新增。

参数：
base_estimator估计器

构建回归链的基础估计器。

order形状为 (n_outputs,) 的类数组或 'random'，默认为 None

如果为None，则顺序将由标签矩阵 Y 中列的顺序决定。

order = [0, 1, 2, ..., Y.shape[1] - 1]

可以通过提供整数列表来显式设置链的顺序。例如，对于长度为 5 的链。

order = [1, 3, 2, 4, 0]

这意味着链中的第一个模型将对 Y 矩阵中的第 1 列进行预测，第二个模型将对第 3 列进行预测，以此类推。

如果 order 为 'random'，则将使用随机顺序。

cv整数、交叉验证生成器或可迭代对象，默认为 None

确定是使用交叉验证预测还是使用链中先前估计器的真实标签结果。cv 的可能输入为

  • None，在拟合时使用真实标签；

  • 整数，指定 (分层)K 折交叉验证中的折叠数；

  • 交叉验证拆分器；,

  • 一个可迭代对象，产生 (训练集，测试集) 拆分作为索引数组。

random_state整数、RandomState 实例或 None，可选 (默认为 None)

如果order='random'，则确定链顺序的随机数生成。此外，它还控制在每次链式迭代中给每个base_estimator的随机种子。因此，只有当base_estimator公开random_state时才使用它。为跨多个函数调用获得可重复的输出，请传入一个整数。参见词汇表。

verbose布尔值，默认为 False

如果为 True，则在完成每个模型后输出链的进度。

版本 1.2 中新增。

属性：
estimators_列表

base_estimator 的克隆列表。

order_列表

分类器链中标签的顺序。

n_features_in_整数

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

版本 0.24 中新增。

feature_names_in_形状为 (n_features_in_,) 的 ndarray

在拟合期间看到的特征名称。仅当X具有全是字符串的特征名称时才定义。

版本 1.0 中新增。

另请参见

分类器链

分类的等效项。

多输出回归器

独立学习每个输出，而不是链式学习。

示例

>>> from sklearn.multioutput import RegressorChain
>>> from sklearn.linear_model import LogisticRegression
>>> logreg = LogisticRegression(solver='lbfgs')
>>> X, Y = [[1, 0], [0, 1], [1, 1]], [[0, 2], [1, 1], [2, 0]]
>>> chain = RegressorChain(base_estimator=logreg, order=[0, 1]).fit(X, Y)
>>> chain.predict(X)
array([[0., 2.],
       [1., 1.],
       [2., 0.]])
fit(X, Y, **fit_params)[source]#

将模型拟合到数据矩阵 X 和目标 Y。

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

输入数据。

Y形状为 (n_samples, n_classes) 的类数组

目标值。

**fit_params字符串到对象的字典

传递到回归链每个步骤的fit方法的参数。

版本 0.23 中新增。

返回：
self对象

返回拟合的实例。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查看用户指南，了解路由机制的工作原理。

版本 1.3 中新增。

返回：
routingMetadataRouter

一个MetadataRouter，封装了路由信息。

get_params(deep=True)[source]#

获取此估计器的参数。

参数：
deep布尔值，默认为 True

如果为 True，则将返回此估计器和包含的子对象（它们是估计器）的参数。

返回：
params字典

参数名称与其值的映射。

predict(X)[source]#

使用 ClassifierChain 模型对数据矩阵 X 进行预测。

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

输入数据。

返回：
Y_pred形状为 (n_samples, n_classes) 的类数组

预测值。

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

返回预测的决定系数。

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，也可能为负值（因为模型可以任意地更差）。一个始终预测 y 期望值的常数模型，忽略输入特征，其 \(R^2\) 得分为 0.0。

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，这可能是一个预先计算的核矩阵，或者是一个形状为 (n_samples, n_samples_fitted) 的泛型对象列表，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，默认为 None

样本权重。

返回：
score浮点数

self.predict(X) 关于 y 的 \(R^2\)。

备注

从 0.23 版本开始，在回归器上调用 score 时使用的 \(R^2\) 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的 score 方法（MultiOutputRegressor 除外）。

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（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：
**params字典

估计器参数。

返回：
self估计器实例

估计器实例。

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

请求传递给 score 方法的元数据。

请注意，只有当 enable_metadata_routing=True 时（参见 sklearn.set_config），此方法才相关。请参阅 用户指南，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：元数据应使用此给定的别名而不是原始名称传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有的请求。这允许您更改某些参数的请求，而其他参数则不更改。

版本 1.3 中新增。

备注

仅当此估计器用作元估计器的子估计器时（例如，在 Pipeline 中使用）此方法才相关。否则，它无效。

参数：
sample_weightstr、True、False 或 None，默认为 sklearn.utils.metadata_routing.UNCHANGED

score 中 sample_weight 参数的元数据路由。

返回：
self对象

更新后的对象。