RegressorChain#

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

一个将回归排列成链的多标签模型。

每个模型按照链中指定的顺序使用所有提供的特征以及链中较早模型的预测结果进行预测。

更多信息请参阅 用户指南 。

Added in version 0.20.

Parameters:
base_estimatorestimator

构建回归链的基础估计器。

orderarray-like of shape (n_outputs,) or ‘random’, default=None

如果为 None ，顺序将由标签矩阵 Y 中的列顺序决定。:

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

可以通过提供整数列表显式设置链的顺序。例如，对于长度为 5 的链。:

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

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，等等。

如果 order 为 ‘random’，将使用随机顺序。

cvint, cross-validation generator or an iterable, default=None

确定是否使用交叉验证预测或真实标签作为链中前一个估计器的结果。 cv 的可能输入包括：

  • None，使用真实标签进行拟合，

  • 整数，指定 (Stratified)KFold 中的折数，

  • CV splitter ，

  • 一个迭代器，生成 (train, test) 分割为索引数组。

random_stateint, RandomState instance or None, optional (default=None)

如果 order='random' ，确定链顺序的随机数生成。 此外，它控制每个 base_estimator 在每次链迭代时给出的随机种子。因此，仅当 base_estimator 暴露 random_state 时使用。 传递一个整数以在多次函数调用中获得可重复的输出。 参见 Glossary 。

verbosebool, default=False

如果为 True，每个模型完成时输出链进度。

Added in version 1.2.

Attributes:
estimators_list

一个由 base_estimator 克隆组成的列表。

order_list

分类器链中的标签顺序。

n_features_in_int

在 fit 期间看到的特征数量。仅当基础 base_estimator 在拟合时暴露此类属性时定义。

Added in version 0.24.

feature_names_in_ndarray of shape ( n_features_in_ ,)

在 fit 期间看到的特征名称。仅当 X 中的特征名称均为字符串时定义。

Added in version 1.0.

See also

ClassifierChain

等效的分类模型。

MultiOutputRegressor

独立学习每个输出，而不是链式处理。

Examples

>>> 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)#

拟合模型到数据矩阵X和目标Y。

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

输入数据。

Yarray-like of shape (n_samples, n_classes)

目标值。

**fit_paramsdict of string -> object

传递给回归链中每个步骤的 fit 方法的参数。

Added in version 0.23.

Returns:
selfobject

返回一个已拟合的实例。

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。

Added in version 1.3.

Returns:
routingMetadataRouter

MetadataRouter 封装的 路由信息。

get_params(deep=True)#

获取此估计器的参数。

Parameters:
deepbool, 默认=True

如果为True，将返回此估计器和包含的子对象（也是估计器）的参数。

Returns:
paramsdict

参数名称映射到它们的值。

predict(X)#

使用ClassifierChain模型对数据矩阵X进行预测。

Parameters:
X{array-like, sparse matrix}，形状为 (n_samples, n_features)

输入数据。

Returns:
Y_predarray-like，形状为 (n_samples, n_classes)

预测值。

score(X, y, sample_weight=None)#

返回预测的决定系数。

决定系数 \(R^2\) 定义为 \((1 - rac{u}{v})\) ，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() 。最好的可能得分是 1.0，它可能是负的（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 \(R^2\) 得分为 0.0。

Parameters:
Xarray-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一个形状为 (n_samples, n_samples_fitted) 的通用对象列表，其中 n_samples_fitted 是估计器拟合中使用的样本数量。

yarray-like of shape (n_samples,) or (n_samples, n_outputs)

X 的真实值。

sample_weightarray-like of shape (n_samples,), default=None

样本权重。

Returns:
scorefloat

\(R^2\) 相对于 y 的 self.predict(X) 。

Notes

在调用回归器的 score 时使用的 \(R^2\) 得分从 0.23 版本开始使用 multioutput='uniform_average' 以保持与 r2_score 默认值一致。 这影响了所有多输出回归器的 score 方法（除了 MultiOutputRegressor ）。

set_params(**params)#

设置此估计器的参数。

该方法适用于简单估计器以及嵌套对象（例如 Pipeline ）。后者具有形式为 <component>__<parameter> 的参数，以便可以更新嵌套对象的每个组件。

Parameters:
**paramsdict

估计器参数。

Returns:
selfestimator instance

估计器实例。

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

Request metadata passed to the score method.

Note that this method is only relevant if enable_metadata_routing=True (see sklearn.set_config ). Please see User Guide on how the routing mechanism works.

The options for each parameter are:

  • True : metadata is requested, and passed to score 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 score .

  • None : metadata is not requested, and the meta-estimator will raise an error if the user provides it.

  • str : metadata should be passed to the meta-estimator with this given alias instead of the original name.

The default ( sklearn.utils.metadata_routing.UNCHANGED ) retains the existing request. This allows you to change the request for some parameters and not others.

Added in version 1.3.

Note

This method is only relevant if this estimator is used as a sub-estimator of a meta-estimator, e.g. used inside a Pipeline . Otherwise it has no effect.

Parameters:
sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

Metadata routing for sample_weight parameter in score .

Returns:
selfobject

The updated object.

On this page
Show Source