class darts.utils.multioutput.MultiOutputRegressor(*args, eval_set_name=None, eval_weight_name=None, **kwargs)[源代码]

基类：MultiOutputRegressor

sklearn.utils.multioutput.MultiOutputRegressor 带有一个修改后的 fit() 方法，该方法也能正确地切片验证数据。验证数据必须作为参数 eval_set 在 **fit_params 中传递。

方法

fit(X, y[, sample_weight])

为每个输出变量分别拟合模型到数据。

get_metadata_routing()

获取此对象的元数据路由。

get_params([deep])

获取此估计器的参数。

partial_fit(X, y[, sample_weight])

逐步将模型拟合到数据，针对每个输出变量。

predict(X)

使用每个目标变量的模型预测多输出变量。

score(X, y[, sample_weight])

返回预测的决定系数。

set_fit_request(*[, sample_weight])

传递给 fit 方法的请求元数据。

set_params(**params)

设置此估计器的参数。

set_partial_fit_request(*[, sample_weight])

传递给 partial_fit 方法的请求元数据。

set_score_request(*[, sample_weight])

传递给 score 方法的请求元数据。
fit(X, y, sample_weight=None, **fit_params)[源代码]

为每个输出变量分别拟合模型到数据。

参数

  • X ({array-like, sparse matrix} of shape (n_samples, n_features)) – 输入数据。

  • y ({array-like, sparse matrix} of shape (n_samples, n_outputs)) – 多输出目标。一个指示矩阵开启多标签估计。

  • sample_weight (array-like of shape (n_samples, n_outputs), default=None) – 样本权重。如果为 None，则样本权重相等。仅在基础回归器支持样本权重时才受支持。

  • **fit_params (dict of string -> object) – 传递给每个步骤的 estimator.fit 方法的参数。 .. versionadded:: 0.23

返回

self – 返回一个已拟合的实例。

返回类型

object

get_metadata_routing()

获取此对象的元数据路由。

请查看 用户指南 以了解路由机制的工作原理。

1.3 新版功能.

返回

routing – 一个封装了路由信息的 MetadataRouter。

返回类型

MetadataRouter

get_params(deep=True)

获取此估计器的参数。

参数

deep (bool, default=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 – 参数名称映射到它们的值。

返回类型

dict

partial_fit(X, y, sample_weight=None, **partial_fit_params)[源代码]

逐步将模型拟合到数据，针对每个输出变量。

参数

  • X ({array-like, sparse matrix} of shape (n_samples, n_features)) – 输入数据。

  • y ({array-like, sparse matrix} of shape (n_samples, n_outputs)) – 多输出目标。

  • sample_weight (array-like of shape (n_samples,), default=None) – 样本权重。如果为 None，则样本权重相等。仅在基础回归器支持样本权重时才受支持。

  • **partial_fit_params (dict of str -> object) – 传递给每个子估计器的 estimator.partial_fit 方法的参数。仅在 enable_metadata_routing=True 时可用。请参阅 用户指南。 .. versionadded:: 1.3

返回

self – 返回一个已拟合的实例。

返回类型

object

predict(X)

使用每个目标变量的模型预测多输出变量。

参数

X ({array-like, sparse matrix} of shape (n_samples, n_features)) – 输入数据。

返回

y – 在多个预测器上预测的多输出目标。注意：每个预测器都会生成单独的模型。

返回类型

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

score(X, y, sample_weight=None)

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()，而 \(v\) 是总平方和 ((y_true - y_true.mean()) ** 2).sum()。最佳可能的分数是 1.0，它也可能是负数（因为模型可能任意地差）。一个总是预测 y 的期望值的常数模型，忽略输入特征，将得到一个 \(R^2\) 分数为 0.0。

参数

  • X (array-like of shape (n_samples, n_features)) – 测试样本。对于某些估计器，这可能是一个预计算的核矩阵，或者是一个形状为 (n_samples, n_samples_fitted) 的通用对象列表，其中 n_samples_fitted 是用于估计器拟合的样本数量。

  • y (array-like of shape (n_samples,) or (n_samples, n_outputs)) – X 的真值。

  • sample_weight (array-like of shape (n_samples,), default=None) – 样本权重。

返回

score – self.predict(X) 相对于 y 的 \(R^2\)。

返回类型

float

提示

在调用回归器的 score 时使用的 \(R^2\) 评分，从版本 0.23 开始使用 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（除了 MultiOutputRegressor）。

set_fit_request(*, sample_weight: Union[bool, None, str] = '$UNCHANGED$') → MultiOutputRegressor

传递给 fit 方法的请求元数据。

请注意，此方法仅在 enable_metadata_routing=True 时相关（参见 sklearn.set_config()）。请参阅 用户指南 了解路由机制的工作原理。

每个参数的选项是：

  • True: 请求元数据，并在提供时传递给 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: 不需要元数据，如果用户提供了元数据，元估计器将引发错误。

  • str: 元数据应使用此给定别名传递给元估计器，而不是原始名称。

默认值 (sklearn.utils.metadata_routing.UNCHANGED) 保留现有的请求。这允许你更改某些参数的请求，而不更改其他参数。

1.3 新版功能.

备注

此方法仅在将此估计器用作元估计器的子估计器时相关，例如在 Pipeline 内部使用。否则它不会有任何效果。

参数

sample_weight (str, 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

self – 更新后的对象。

返回类型

object

set_params(**params)

设置此估计器的参数。

该方法适用于简单的估计器以及嵌套对象（如 Pipeline）。后者的参数形式为 <component>__<parameter>，因此可以更新嵌套对象的每个组件。

参数

**params (dict) – 估计器参数。

返回

self – 估计器实例。

返回类型

estimator instance

set_partial_fit_request(*, sample_weight: Union[bool, None, str] = '$UNCHANGED$') → MultiOutputRegressor

传递给 partial_fit 方法的请求元数据。

请注意，此方法仅在 enable_metadata_routing=True 时相关（参见 sklearn.set_config()）。请参阅 用户指南 了解路由机制的工作原理。

每个参数的选项是：

  • True: 请求元数据，并在提供时传递给 partial_fit。如果未提供元数据，则忽略该请求。

  • False: 不需要元数据，元估计器不会将其传递给 partial_fit。

  • None: 不需要元数据，如果用户提供了元数据，元估计器将引发错误。

  • str: 元数据应使用此给定别名传递给元估计器，而不是原始名称。

默认值 (sklearn.utils.metadata_routing.UNCHANGED) 保留现有的请求。这允许你更改某些参数的请求，而不更改其他参数。

1.3 新版功能.

备注

此方法仅在将此估计器用作元估计器的子估计器时相关，例如在 Pipeline 内部使用。否则它不会有任何效果。

参数

sample_weight (str, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED) – partial_fit 中 sample_weight 参数的元数据路由。

返回

self – 更新后的对象。

返回类型

object

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

传递给 score 方法的请求元数据。

请注意，此方法仅在 enable_metadata_routing=True 时相关（参见 sklearn.set_config()）。请参阅 用户指南 了解路由机制的工作原理。

每个参数的选项是：

  • True: 请求元数据，并在提供时传递给 score。如果未提供元数据，则忽略请求。

  • False: 不需要元数据，元估计器不会将其传递给 score。

  • None: 不需要元数据，如果用户提供了元数据，元估计器将引发错误。

  • str: 元数据应使用此给定别名传递给元估计器，而不是原始名称。

默认值 (sklearn.utils.metadata_routing.UNCHANGED) 保留现有的请求。这允许你更改某些参数的请求，而不更改其他参数。

1.3 新版功能.

备注

此方法仅在将此估计器用作元估计器的子估计器时相关，例如在 Pipeline 内部使用。否则它不会有任何效果。

参数

sample_weight (str, 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

self – 更新后的对象。

返回类型

object

上一页

模型选择工具

下一页

时间序列统计