Ctrl+K

DummyRegressor#

class sklearn.dummy.DummyRegressor(*, strategy='mean', constant=None, quantile=None)[源代码]#

使用简单规则进行预测的回归器。

此回归量可用作与其他（真实）回归量进行比较的简单基线。不要把它用于真正的问题。

阅读更多的 User Guide .

Added in version 0.13.

参数:
strategy{“mean”，“median”，“quantile”，“constant”}，default=“mean”

用于生成预测的策略。

  • “均值”：始终预测训练集的均值

  • “中位数”：始终预测训练集的中位数

  • “分位数”：始终预测训练集的指定分位数，并提供分位数参数。

  • “constant”：始终预测用户提供的常量值。

constantint或float或类似数组的形状（n_outputs，），默认=无

“恒定”策略预测的显式恒定。此参数仅适用于“恒定”策略。

quantile漂浮在 [0.0, 1.0] ，默认=无

使用“分位数”策略预测的分位数。分位数0.5对应于中位数，0.0对应于最小值，1.0对应于最大值。

属性:
constant_形状的nd数组（1，n_outputs）

用户给定的训练目标或常数值的平均值、中位数或分位数。

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.

n_outputs_int

输出数量。

参见

DummyClassifier

使用简单规则进行预测的分类器。

示例

>>> import numpy as np
>>> from sklearn.dummy import DummyRegressor
>>> X = np.array([1.0, 2.0, 3.0, 4.0])
>>> y = np.array([2.0, 3.0, 5.0, 10.0])
>>> dummy_regr = DummyRegressor(strategy="mean")
>>> dummy_regr.fit(X, y)
DummyRegressor()
>>> dummy_regr.predict(X)
array([5., 5., 5., 5.])
>>> dummy_regr.score(X, y)
0.0
fit(X, y, sample_weight=None)[源代码]#

适应基线回归量。

参数:
X形状类似阵列（n_samples，n_features）

训练数据。

y形状的类似阵列（n_samples，）或（n_samples，n_outputs）

目标值。

sample_weight形状类似数组（n_samples，），默认=无

样本重量。

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。

返回:
routingMetadataRequest

A MetadataRequest 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, return_std=False)[源代码]#

对测试载体X执行分类。

参数:
X形状类似阵列（n_samples，n_features）

测试数据。

return_std布尔，默认=假

是否返回后验预测的标准差。在这种情况下全为零。

Added in version 0.20.

返回:
y形状的类似阵列（n_samples，）或（n_samples，n_outputs）

X的预测目标值。

y_std形状的类似阵列（n_samples，）或（n_samples，n_outputs）

查询点预测分布的标准差。

score(X, y, sample_weight=None)[源代码]#

返回预测的决定系数R ' 2。

系数R2定义为 (1 - 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y的期望值（不考虑输入特征）的常数模型将获得0.0的R#2分数。

参数:
X形状无或类似阵列（n_samples，n_features）

测试样本。通过无作为测试样本会得到与通过真实测试样本相同的结果，因为 DummyRegressor 独立于采样观察而运行。

y形状的类似阵列（n_samples，）或（n_samples，n_outputs）

X的真实值。

sample_weight形状类似数组（n_samples，），默认=无

样本重量。

返回:
score浮子

R2， self.predict(X) w.r.t. y.

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

请求元数据传递给 fit 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 fit 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 fit .

  • 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 fit .

返回:
self对象

更新的对象。

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_predict_request(*, return_std: bool | None | str = '$UNCHANGED$') → DummyRegressor[源代码]#

请求元数据传递给 predict 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 predict 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 predict .

  • 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:
return_std字符串、真、假或无， 默认=sklearn.utils. metalics_Routing.UNChanged

元数据路由 return_std 参数 predict .

返回:
self对象

更新的对象。

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

On this page