RegressorChain#

class sklearn.multioutput.RegressorChain(base_estimator, *, order=None, cv=None, random_state=None, verbose=False)[源代码]#

将回归安排到链中的多标签模型。

每个模型使用为模型提供的所有可用功能加上链中较早的模型的预测，按照链指定的顺序进行预测。

阅读更多的 User Guide .

Added in version 0.20.

参数:

base_estimator估计器

构建回归链的基本估计器。

order形状（n_outputs，）或“随机”的类似数组，默认=无

如果 None ，顺序将由标签矩阵Y中列的顺序确定。：：

order = [0, 1, 2, ..., Y.shape[1] - 1]

链的顺序可以通过提供一个整表来显式设置。例如，对于长度为5的链。：：

order = [1, 3, 2, 4, 0]

意味着链中的第一个模型将对Y矩阵中的第1列进行预测，第二个模型将对第3列进行预测，等等。

如果订单是“随机的”，则将使用随机订单。

cvint，交叉验证生成器或可迭代对象，默认=无

确定是否对链中先前估计量的结果使用交叉验证的预测或真实标签。简历的可能输入包括：

没有，在安装时使用真实的标签，
integer，指定（分层）KFold中的折叠数，
CV splitter ,
可迭代产出（训练、测试）分裂为索引数组。

random_stateint，RandomState实例或无，可选（默认=无）

如果 order='random' ，确定连锁订单的随机数生成。此外，它还控制每个给定的随机种子 base_estimator 在每次链接迭代时。因此，只有在以下情况下才使用 base_estimator 公开一个 random_state .传递int以获得跨多个函数调用的可重复输出。看到 Glossary .

verbose布尔，默认=假

如果为True，则在每个模型完成时输出链进度。

Added in version 1.2.

属性:

estimators_列表: base_estimator的克隆列表。
order_列表: 分类器链中标签的顺序。
n_features_in_int: 期间看到的功能数量 fit .仅定义基础 base_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（: Names of features seen during fit. Defined only when X has feature names that are all strings.

Added in version 1.0.

参见

ClassifierChain: 等同于分类。
MultiOutputRegressor: 独立学习每个输出，而不是链接。

示例

>>> from sklearn.multioutput import RegressorChain
>>> from sklearn.linear_model import LogisticRegression
>>> logreg = LogisticRegression(solver='lbfgs')
>>> X, Y = [[1, 0], [0, 1], [1, 1]], [[0, 2], [1, 1], [2, 0]]
>>> chain = RegressorChain(base_estimator=logreg, order=[0, 1]).fit(X, Y)
>>> chain.predict(X)
array([[0., 2.],
       [1., 1.],
       [2., 0.]])

fit(X, Y, **fit_params)[源代码]#

将模型匹配数据矩阵X和目标Y。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}: 输入数据。
Y形状类似阵列（n_samples，n_classes）: The target values.
**fit_params字符串->对象的字典: 参数传递给 fit 回归链的每个步骤的方法。

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。

predict(X)[源代码]#

使用ClassifierChain模型预测数据矩阵X。

参数:

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

返回:

Y_pred形状类似阵列（n_samples，n_classes）: 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 = '$UNCHANGED$') → RegressorChain[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。