TransformedTargetRegressor#

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

元估计器在转换后的目标上进行回归。

用于对目标应用非线性变换 y 在回归问题中。此转换可以作为一个Transformer给出，例如 QuantileTransformer 或作为一个函数及其逆函数，例如 np.log 和 np.exp .

期间的计算 fit 是：：

regressor.fit(X, func(y))

或者：：

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

期间的计算 predict 是：：

inverse_func(regressor.predict(X))

或者：：

transformer.inverse_transform(regressor.predict(X))

阅读更多的 User Guide .

Added in version 0.20.

参数:

regressor对象，默认=无: 回归对象，例如源自 RegressorMixin .每次在装配之前都会自动克隆此回归变量。如果 regressor is None , LinearRegression 被创建和使用。
transformer对象，默认=无: 估计对象，例如来自 TransformerMixin .不能同时设置 func 和 inverse_func .如果 transformer is None 以及 func 和 inverse_func ，该Transformer将是身份Transformer。请注意，Transformer将在安装过程中克隆。还有，Transformer正在限制 y 成为一个麻木的数组。
func函数，默认=无: 要应用的功能 y 在传给 fit .不能同时设置 transformer .如果 func is None ，使用的函数将是身份函数。如果 func 已定， inverse_func 也需要提供。该函数需要返回一个2维数组。
inverse_func函数，默认=无: 应用于回归量预测的函数。不能同时设置 transformer .逆函数用于将预测返回到原始训练标签的相同空间。如果 inverse_func 已定， func 也需要提供。逆函数需要返回2维数组。
check_inverse布尔，默认=True: 是否检查 transform 其次是 inverse_transform 或 func 其次是 inverse_func 导致最初的目标。

属性:

regressor_对象: 适合回归量。
transformer_对象: Transformer用于 fit 和 predict .
n_features_in_int: 期间看到的功能数量 fit .
feature_names_in_ ：nd形状数组 (n_features_in_ ,)nd数组形状（: Names of features seen during fit. Defined only when X has feature names that are all strings.

Added in version 1.0.

参见

sklearn.preprocessing.FunctionTransformer: 从任意可调用对象构造一个Transformer。

注意到

在内部，目标 y 始终转换为2维数组，供scikit-learn Transformers使用。在预测时，输出将被重塑为具有与 y .

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.])

有关更详细的示例用例，请参阅回归模型中目标转换的效果 .

fit(X, y, **fit_params)[源代码]#

根据给定的训练数据对模型进行匹配。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}

训练载体，在哪里 n_samples 是样本数量和 n_features 是功能的数量。

y形状类似阵列（n_samples，）

目标值。

**fit_paramsdict

如果 enable_metadata_routing=False （默认）：参数直接传递给 fit 基础回归量的方法。
如果 enable_metadata_routing=True ：参数安全路由到 fit 基础回归量的方法。

在 1.6 版本发生变更: 看到 Metadata Routing User Guide 了解更多详细信息。

返回:

self对象: 拟合估计量。

get_metadata_routing()[源代码]#

获取此对象的元数据路由。

请检查 User Guide 关于路由机制如何工作。

Added in version 1.6.

返回:

routingMetadataRouter: A MetadataRouter 封装路由信息。

get_params(deep=True)[源代码]#

获取此估计器的参数。

参数:

deep布尔，默认=True: 如果为True，将返回此估计量和包含的作为估计量的子对象的参数。

返回:

paramsdict: 参数名称映射到其值。

predict(X, **predict_params)[源代码]#

Predict using the base regressor, applying inverse.

回归量用于预测， inverse_func 或 inverse_transform 在返回预测之前应用。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}

样品

**predict_params字符串->对象的字典

如果 enable_metadata_routing=False （默认）：参数直接传递给 predict 基础回归量的方法。
如果 enable_metadata_routing=True ：参数安全路由到 predict 基础回归量的方法。

在 1.6 版本发生变更: 看到 Metadata Routing User Guide 了解更多详细信息。

返回:

y_hat形状的nd数组（n_samples，）: 预测值。

score(X, y, sample_weight=None)[源代码]#

返回预测的决定系数。

决定系数 $R^2$ 被定义为 $(1 - \frac{u}{v})$ ，在哪里 $u$ 是残差平方和 ((y_true - y_pred)** 2).sum() 和 $v$ 是平方总和 ((y_true - y_true.mean()) ** 2).sum() .最好的可能分数是1.0，并且可以是负的（因为模型可以任意更差）。始终预测的期望值的恒定模型 y 如果不考虑输入功能，就会得到 $R^2$ 评分0.0。

参数:

X形状类似阵列（n_samples，n_features）: Test samples. For some estimators this may be a precomputed kernel matrix or a list of generic objects instead with shape (n_samples, n_samples_fitted), where n_samples_fitted is the number of samples used in the fitting for the estimator.
y形状的类似阵列（n_samples，）或（n_samples，n_outputs）: 真正的价值观 X .
sample_weight形状类似数组（n_samples，），默认=无: 样本重量。

返回:

score浮子: $R^2$ 的 self.predict(X) w.r.t. y .

注意到

的 $R^2$ 呼叫时使用的分数 score 在回归器上使用 multioutput='uniform_average' 从0.23版本开始，与默认值保持一致 r2_score .这影响了 score 所有多输出回归器的方法（除了 MultiOutputRegressor ).

set_params(**params)[源代码]#

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 ).后者具有以下形式的参数 <component>__<parameter> 以便可以更新嵌套对象的每个组件。

参数:

**paramsdict: 估计参数。

返回:

self估计器实例: 估计实例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → TransformedTargetRegressor[源代码]#

请求元数据传递给 score 法

请注意，此方法仅适用于以下情况 enable_metadata_routing=True （见 sklearn.set_config ).请参阅 User Guide 关于路由机制如何工作。

The options for each parameter are:

True ：元数据被请求并传递给 score 如果提供的话。如果未提供元数据，则会忽略请求。
False ：未请求元数据，元估计器不会将其传递给 score .
None ：不请求元数据，如果用户提供元估计器，则元估计器将引发错误。
str ：元数据应通过此给定别名而不是原始名称传递给元估计器。

默认 (sklearn.utils.metadata_routing.UNCHANGED ）保留现有请求。这允许您更改某些参数的请求，而不是其他参数。

Added in version 1.3.

备注

只有当该估计器用作元估计器的子估计器时，该方法才相关，例如在 Pipeline .否则就没有效果了。

参数:

sample_weight字符串、真、假或无，默认=sklearn.utils. metalics_Routing.UNChanged: 元数据路由 sample_weight 参数 score .

返回:

self对象: 更新的对象。