Ctrl+K

MultiOutputRegressor#

class sklearn.multioutput.MultiOutputRegressor(estimator, *, n_jobs=None)[源代码]#

多目标回归。

该策略包括为每个目标匹配一个回归量。这是一个简单的策略，用于扩展原生不支持多目标回归的回归量。

Added in version 0.18.

参数:
estimator估计器对象

实现的估计器对象 fit 和 predict .

n_jobsint或无，可选（默认=无）

并行运行的作业数。 fit , predict 和 partial_fit (if由通过的估计器支持）将针对每个目标并行化。

当个体估计器快速训练或预测时，使用 n_jobs > 1 由于并行性负载，可能会导致性能下降。

None means 1 unless in a joblib.parallel_backend context. -1 means using all available processes / threads. See Glossary for more details.

在 0.20 版本发生变更: n_jobs 默认更改为 1 到 None .

属性:
estimators_ ：列表 n_output 估计列表

用于预测的估计器。

n_features_in_int

期间看到的功能数量 fit .仅定义基础 estimator 在合适的时候公开这样的属性。

Added in version 0.24.

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

RegressorChain

将回归安排到链中的多标签模型。

MultiOutputClassifier

独立分类每个输出，而不是链接。

示例

>>> import numpy as np
>>> from sklearn.datasets import load_linnerud
>>> from sklearn.multioutput import MultiOutputRegressor
>>> from sklearn.linear_model import Ridge
>>> X, y = load_linnerud(return_X_y=True)
>>> regr = MultiOutputRegressor(Ridge(random_state=123)).fit(X, y)
>>> regr.predict(X[[0]])
array([[176..., 35..., 57...]])
fit(X, y, sample_weight=None, **fit_params)[源代码]#

分别为每个输出变量拟合模型。

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

输入数据。

y形状（n_samples，n_outputs）的{类数组，稀疏矩阵}

多输出目标。指标矩阵开启多标签估计。

sample_weight形状类似数组（n_samples，），默认=无

样本重量。如果 None ，则样本被相等地加权。仅在基础回归量支持样本权重时才支持。

**fit_params字符串->对象的字典

参数传递给 estimator.fit 每一步的方法。

Added in version 0.23.

返回:
self对象

返回合适的实例。

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 1.3.

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。

partial_fit(X, y, sample_weight=None, **partial_fit_params)[源代码]#

对于每个输出变量，将模型增量地匹配到数据。

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

输入数据。

y形状（n_samples，n_outputs）的{类数组，稀疏矩阵}

Multi-output targets.

sample_weight形状类似数组（n_samples，），默认=无

样本重量。如果 None ，则样本被相等地加权。仅在基础回归量支持样本权重时才支持。

**partial_fit_params字符串->对象的字典

参数传递给 estimator.partial_fit 每个子估计器的方法。

仅在以下情况下可用 enable_metadata_routing=True .看到 User Guide .

Added in version 1.3.

返回:
self对象

返回合适的实例。

predict(X)[源代码]#

使用每个目标变量的模型预测多输出变量。

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

输入数据。

返回:
y形状（n_samples，n_outputs）的{类数组，稀疏矩阵}

跨多个预测因子预测的多输出目标。注意：为每个预测器生成单独的模型。

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

请求元数据传递给 partial_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 partial_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 partial_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 partial_fit .

返回:
self对象

更新的对象。

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