Ctrl+K

AdaBoostRegressor#

class sklearn.ensemble.AdaBoostRegressor(estimator=None, *, n_estimators=50, learning_rate=1.0, loss='linear', random_state=None)[源代码]#

AdaBoost回归器。

AdaBoost [1] 回归量是一种元估计器，首先在原始数据集上匹配回归量，然后在同一数据集上匹配回归量的额外副本，但实例的权重根据当前预测的误差进行调整。因此，随后的回归者更多地关注困难的案例。

此类实现称为AdaBoost.R2的算法 [2] .

阅读更多的 User Guide .

Added in version 0.14.

参数:
estimator对象，默认=无

从其构建提升集合的基本估计器。如果 None ，那么基本估计器是 DecisionTreeRegressor 初始化为 max_depth=3 .

Added in version 1.2: base_estimator 更名为 estimator .

n_estimatorsint，默认=50

终止提升的最大估计数。如果完全适合，学习过程会提前停止。值必须在范围内 [1, inf) .

learning_ratefloat，默认=1.0

每次增强迭代时应用于每个回归量的权重。更高的学习率会增加每个回归量的贡献。两者之间存在权衡 learning_rate 和 n_estimators 参数值必须在范围内 (0.0, inf) .

loss'线性'，'平方'，'指数'}，默认='线性'

每次增强迭代后更新权重时使用的损失函数。

random_stateint，RandomState实例或无，默认=无

控制每次给定的随机种子 estimator 在每次助推迭代时。因此，只有在以下情况下才使用 estimator 公开一个 random_state .此外，它还控制用于训练 estimator 在每次助推迭代时。传递int以获得跨多个函数调用的可重复输出。看到 Glossary .

属性:
estimator_估计器

生成集合的基本估计器。

Added in version 1.2: base_estimator_ 更名为 estimator_ .

estimators_回归者列表

拟合子估计量的集合。

estimator_weights_浮标阵

增强集合中每个估计器的权重。

estimator_errors_浮标阵

增强集合中每个估计量的回归误差。

feature_importances_形状的nd数组（n_features，）

基于杂质的特征很重要。

n_features_in_int

期间看到的功能数量 fit .

Added in version 0.24.

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

AdaBoostClassifier

AdaBoost分类器。

GradientBoostingRegressor

梯度提升分类树。

sklearn.tree.DecisionTreeRegressor

决策树回归器。

引用

[1]

Y.弗罗因德，R. Schapire，“在线学习的决策理论概括和Boosting的应用”，1995年。

[2]

  1. 德鲁克，“使用增强技术改进回归”，1997年。

示例

>>> from sklearn.ensemble import AdaBoostRegressor
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(n_features=4, n_informative=2,
...                        random_state=0, shuffle=False)
>>> regr = AdaBoostRegressor(random_state=0, n_estimators=100)
>>> regr.fit(X, y)
AdaBoostRegressor(n_estimators=100, random_state=0)
>>> regr.predict([[0, 0, 0, 0]])
array([4.7972...])
>>> regr.score(X, y)
0.9771...

有关利用的详细示例 AdaBoostRegressor 要将决策树序列匹配为弱学习者，请参阅 使用AdaBoost进行决策树回归 .

fit(X, y, sample_weight=None)[源代码]#

从训练集（X，y）构建增强的分类器/回归器。

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

训练输入样本。稀疏矩阵可以是CSC、CSR、COO、DOK或LIL。COO、DOK和LIL转换为CSR。

y形状类似阵列（n_samples，）

The target values.

sample_weight形状类似数组（n_samples，），默认=无

样本重量。如果无，则样本权重初始化为1 / n_samples。

返回:
self对象

拟合估计量。

get_metadata_routing()[源代码]#

提高 NotImplementedError .

此估计器还不支持元数据路由。

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)[源代码]#

预测X的回归值。

输入样本的预测回归值被计算为集合中回归量的加权中位数预测。

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

训练输入样本。稀疏矩阵可以是CSC、CSR、COO、DOK或LIL。COO、DOK和LIL转换为CSR。

返回:
y形状的nd数组（n_samples，）

预测回归值。

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_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → AdaBoostRegressor[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_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → AdaBoostRegressor[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。

staged_predict(X)[源代码]#

X的回归阶段预测。

输入样本的预测回归值被计算为集合中回归量的加权中位数预测。

该生成器方法在每次增强迭代之后产生总体预测，因此允许监测，例如在每次增强之后确定对测试集的预测。

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

训练输入样本。

收益率:
y形状nd数组的生成器（n_samples，）

预测回归值。

staged_score(X, y, sample_weight=None)[源代码]#

返回X、y的分级分数。

这种生成器方法在每次增强迭代后产生总体分数，因此允许监控，例如确定每次增强后测试集的分数。

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

训练输入样本。稀疏矩阵可以是CSC、CSR、COO、DOK或LIL。COO、DOK和LIL转换为CSR。

y形状类似阵列（n_samples，）

标签X

sample_weight形状类似数组（n_samples，），默认=无

样本重量。

收益率:
z浮子
On this page