VotingClassifier#

class sklearn.ensemble.VotingClassifier(estimators, *, voting='hard', weights=None, n_jobs=None, flatten_transform=True, verbose=False)[源代码]#

不适合估计量的软投票/多数规则分类器。

阅读更多的 User Guide .

Added in version 0.17.

参数:

estimators（字符串，估计器）二元组列表: 调用 fit 方法对 VotingClassifier 将适合那些将存储在类属性中的原始估计量的克隆 self.estimators_ .估计器可以设置为 'drop' 使用 set_params .

在 0.21 版本发生变更: 'drop' 被接受。0.22中不建议使用无，0.24中删除了支持。
voting'hard'，'soft'}，default='hard': 如果“难”，则使用预测的阶级标签进行多数规则投票。否则，如果是“软”，则根据预测概率之和的argmax预测类别标签，推荐这用于校准良好的分类器的集合。
weights形状类似数组（n_classifiers，），默认=无: 权重顺序 (float 或 int ）对预测类标签的出现进行加权 (hard 投票）或求平均之前的类别概率 (soft 投票）。如果使用统一的重量 None .
n_jobsint，默认=无: 并行运行的作业数量 fit . None 意思是1，除非在a中 joblib.parallel_backend 上下文 -1 意味着使用所有处理器。看到 Glossary 了解更多详细信息。

Added in version 0.18.
flatten_transform布尔，默认=True: 仅在投票='软'时影响变换输出的形状如果投票='并且flatter_transform=True，则变换方法返回具有形状的矩阵（n_samples，n_classifers * n_classes）。如果flat_transform=False，则返回（n_classifiers，n_samples，n_classes）。
verbose布尔，默认=假: 如果为True，则将在安装完成时打印安装所经过的时间。

Added in version 0.23.

属性:

estimators_分类器列表: 中定义的匹配子估计量集合 estimators 那不是“掉落”。
named_estimators_ : Bunch群: 按名称访问任何适合的子估计量的属性。

Added in version 0.20.
le_ : LabelEncoderLabelEncoder: Transformer用于在匹配期间对标签进行编码，并在预测期间进行解码。
classes_形状的nd数组（n_classes，）: 班级标签。
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（: 期间看到的要素的名称 fit .仅在基础估计值在适合时暴露此类属性时才定义。

Added in version 1.0.

参见

VotingRegressor: 预测投票回归量。

示例

>>> import numpy as np
>>> from sklearn.linear_model import LogisticRegression
>>> from sklearn.naive_bayes import GaussianNB
>>> from sklearn.ensemble import RandomForestClassifier, VotingClassifier
>>> clf1 = LogisticRegression(random_state=1)
>>> clf2 = RandomForestClassifier(n_estimators=50, random_state=1)
>>> clf3 = GaussianNB()
>>> X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])
>>> y = np.array([1, 1, 1, 2, 2, 2])
>>> eclf1 = VotingClassifier(estimators=[
...         ('lr', clf1), ('rf', clf2), ('gnb', clf3)], voting='hard')
>>> eclf1 = eclf1.fit(X, y)
>>> print(eclf1.predict(X))
[1 1 1 2 2 2]
>>> np.array_equal(eclf1.named_estimators_.lr.predict(X),
...                eclf1.named_estimators_['lr'].predict(X))
True
>>> eclf2 = VotingClassifier(estimators=[
...         ('lr', clf1), ('rf', clf2), ('gnb', clf3)],
...         voting='soft')
>>> eclf2 = eclf2.fit(X, y)
>>> print(eclf2.predict(X))
[1 1 1 2 2 2]

要放弃估计器， set_params 可以用于删除它。这里我们删除了其中一个估计量，从而产生2个匹配估计量：

>>> eclf2 = eclf2.set_params(lr='drop')
>>> eclf2 = eclf2.fit(X, y)
>>> len(eclf2.estimators_)
2

设置 flatten_transform=True 与 voting='soft' 输出形状 transform :

>>> eclf3 = VotingClassifier(estimators=[
...        ('lr', clf1), ('rf', clf2), ('gnb', clf3)],
...        voting='soft', weights=[2,1,1],
...        flatten_transform=True)
>>> eclf3 = eclf3.fit(X, y)
>>> print(eclf3.predict(X))
[1 1 1 2 2 2]
>>> print(eclf3.transform(X).shape)
(6, 6)

fit(X, y, *, sample_weight=None, **fit_params)[源代码]#

匹配估计值。

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。
sample_weight形状类似数组（n_samples，），默认=无: 样本重量。如果无，则样本的加权相等。请注意，只有当所有基本估计量都支持样本权重时，这才得到支持。

Added in version 0.18.
**fit_paramsdict: 要传递给基础估计器的参数。

Added in version 1.5: 仅在以下情况下可用 enable_metadata_routing=True ，可以使用 sklearn.set_config(enable_metadata_routing=True) .看到 Metadata Routing User Guide 了解更多详细信息。

返回:

self对象: 返回实例本身。

fit_transform(X, y=None, **fit_params)[源代码]#

返回每个估计器的类标签或概率。

返回每个估计器的X的预测。

参数:

X{类数组，稀疏矩阵，矩阵}的形状（n_samples，n_features）: 输入样本。
y形状的nd数组（n_samples，），默认=无: 目标值（无监督转换）。
**fit_paramsdict: 其他适合参数。

返回:

X_newndray形状数组（n_samples，n_features_new）: 变形的数组。

get_feature_names_out(input_features=None)[源代码]#

获取用于转换的输出要素名称。

参数:

input_features字符串或无的类数组，默认=无: 未使用，此处列出是为了按照惯例实现API一致性。

返回:

feature_names_out字符串对象的nd数组: 转换的功能名称。

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 1.5.

返回:

routingMetadataRouter: A MetadataRouter 封装路由信息。

get_params(deep=True)[源代码]#

从集合中获取估计器的参数。

返回构造函数中给出的参数以及包含在 estimators 参数.

参数:

deep布尔，默认=True: 将其设置为True会获得各种估计量和估计量的参数。

返回:

paramsdict: 映射到其值的参数和估计器名称或映射到其值的参数名称。

property named_estimators#

可按名称访问任何合适的子估计量的字典。

返回:

Bunch

predict(X)[源代码]#

预测X的类别标签。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}: 输入样本。

返回:

maj形状类似阵列（n_samples，）: 预测的阶级标签。

predict_proba(X)[源代码]#

计算X中样本可能结果的概率。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}: 输入样本。

返回:

avg形状类似阵列（n_samples，n_classes）: 每个样本每个类别的加权平均概率。

score(X, y, sample_weight=None)[源代码]#

返回给定测试数据和标签的平均准确度。

在多标签分类中，这是子集准确度，这是一个苛刻的指标，因为您需要为每个样本正确预测每个标签集。

参数:

X形状类似阵列（n_samples，n_features）: 测试样本。
y形状的类似阵列（n_samples，）或（n_samples，n_outputs）: 真正的标签 X .
sample_weight形状类似数组（n_samples，），默认=无: 样本重量。

返回:

score浮子: 平均准确度 self.predict(X) w.r.t. y .

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

设置输出容器。

看到介绍 set_output API 了解如何使用API的示例。

参数:

transform{“默认”，“pandas”，“polars”}，默认=无

配置输出 transform 和 fit_transform .

"default" ：Transformer的默认输出格式
"pandas" ：DataFrame输出
"polars" ：两极输出
None ：转换配置不变

Added in version 1.4: "polars" 添加了选项。

返回:

self估计器实例: 估计实例。

set_params(**params)[源代码]#

从集合中设置估计器的参数。

有效的参数键可以与 get_params() .请注意，您可以直接设置中包含的估计器的参数 estimators .

参数:

**params关键字参数: 具体参数，例如 set_params(parameter_name=new_value) .此外，为了设置估计器的参数，还可以设置估计器的单个估计器，或者可以通过将它们设置为“drop”来删除。

返回:

self对象: 估计实例。

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

transform(X)[源代码]#

返回每个估计器的X的类标签或概率。

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。

返回:

probabilities_or_labels

如果 voting='soft' 和 flatten_transform=True :: returns ndarray of shape (n_samples, n_classifiers * n_classes), being class probabilities calculated by each classifier.
如果 `voting='soft' and ` flat_transform=False '：: 形状的nd数组（n_classifiers，n_samples，n_classes）
如果 voting='hard' :: 形状的nd数组（n_samples，n_classifiers），是每个分类器预测的类别标签。