sklearn.dummy.DummyRegressor¶
class sklearn.dummy.DummyRegressor(*, strategy='mean', constant=None, quantile=None)
DummyRegressor是一种使用简单规则进行预测的回归工具。
这个回归变量作为与其他(真实)回归变量进行比较的简单基线非常有用。不要用它来解决真正的问题。
在用户指南中阅读更多内容。
新版本0.13。
| 参数 | 说明 |
|---|---|
| strategy | str 用来产生预测的策略。 “mean”:总是预测训练集的均值 “中值”:总是预测训练集的中值 “分位数”:总是预测训练集的指定分位数，并提供分位数参数。 “常量”:总是预测用户提供的常量值。 |
| constant | int or float or array-like of shape (n_outputs,) 由“常数”策略预测的显式常数。这个参数只对“常量”策略有用。 |
| quantile | float in [0.0, 1.0] 使用“分位数”策略预测的分位数。分位数0.5对应中位数，最小值为0.0，最大值为1.0。 |
| 属性 | 说明 |
|---|---|
| constant_ | array, shape (1, n_outputs) 训练目标的平均值、中位数、分位数或用户给定的常数值。 |
| n_outputs_ | int, 数量的输出。 |
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
Methods
| 方法 | 说明 |
|---|---|
fit(self, X, y[, sample_weight]) |
拟合随机回归。 |
get_params(self[, deep]) |
获取这个估计器的参数。 |
predict(self, X[, return_std]) |
对测试向量X进行分类。 |
score(self, X, y[, sample_weight]) |
返回预测的决定系数R^2。 |
set_params(self, **params) |
设置这个估计器的参数。 |
__init__(self, *, strategy='mean', constant=None, quantile=None)
初始化self. See 请参阅help(type(self))以获得准确的说明 。
fit(self, X, y, sample_weight=None)
拟合随机回归。
| 参数 | 说明 |
|---|---|
| X | {array-like, object with finite length or shape} 训练数据，要求length = n_samples |
| y | array-like of shape (n_samples,) or (n_samples, n_outputs) 目标的价值。 |
| sample_weight | array-like of shape (n_samples,), default=None 样本权重。 |
| 返回值 | 说明 |
|---|---|
| self | object |
get_params(self, deep=True)
获取这个估计器的参数。
| 参数 | 说明 |
|---|---|
| deep | bool, default=True 如果为真，将返回此估计器的参数以及包含的作为估计器的子对象。 |
| 返回值 | 说明 |
|---|---|
| params | mapping of string to any 参数名称映射到它们的值。 |
predict(self, X, return_std=False)
对测试向量X进行分类。
| 参数 | 说明 |
|---|---|
| X | {array-like, object with finite length or shape} 训练数据，要求length = n_samples |
| return_std | boolean, optional 是否返回后验预测的标准差。这里都是0。 新版本0.20。 |
| 返回值 | 说明 |
|---|---|
| y | array-like of shape (n_samples,) or (n_samples, n_outputs) X的预测目标值。 |
| y_std | array-like of shape (n_samples,) or (n_samples, n_outputs) 查询点预测分布的标准差。 |
score(self, X, y, sample_weight=None)
返回预测的决定系数R^2。
定义系数R^2为(1 - u/v)，其中u为(y_true - y_pred) ** 2).sum()的残差平方和，v为(y_true - y_true.mean()) ** 2).sum()的平方和。最好的可能的分数是1.0，它可能是负的(因为模型可以任意地更糟)。常数模型总是预测y的期望值，而不考虑输入特征，得到的R^2得分为0.0。
| 参数 | 说明 |
|---|---|
| X | {array-like, None} 使用shape = (n_samples, n_features)或None测试样本。对于某些估计器，这可能是一个预先计算的核矩阵，形状= (n_samples, n_samples_fitting]，其中n_samples_fitting是用于拟合估计器的样本数量。由于DummyRegressor的操作独立于采样的观察结果，所以通过测试样本的结果与通过真实测试样本的结果是一样的。 |
| y | array-like of shape (n_samples,) or (n_samples, n_outputs) X的真值。 |
| sample_weight | array-like of shape (n_samples,), default=None 样本权重。 |
| 返回值 | 说明 |
|---|---|
| score | float self.predict(X) 与y的R²。 |
set_params(self, **params)
设置这个估计器的参数。
该方法适用于简单估计量和嵌套对象。后者具有形式为<component>_<parameter>的参数，这样就让更新嵌套对象的每个组件成为了可能。
| 参数 | 说明 |
|---|---|
| **params | dict 估计器参数。 |
| 返回值 | 说明 |
|---|---|
| self | object 估计实例。 |
