sklearn.ensemble.AdaBoostRegressor¶

class sklearn.ensemble.AdaBoostRegressor(base_estimator=None, *, n_estimators=50, learning_rate=1.0, loss='linear', random_state=None)      

[源码]

一个AdaBoost的回归器。

AdaBoost[1]回归器是一个元估计器，它首先在原始数据集上拟合一个回归器，然后在同一数据集上拟合回归器的额外副本，但是实例的权重会根据当前预测的误差进行调整。因此，随后的回归更侧重于困难的案例。

这个类实现的算法称为AdaBoost.R2 [2]。

在用户指南中获取更多内容。

0.14版本中新增内容。

另见:

AdaBoostClassifier, GradientBoostingRegressor

sklearn.tree.DecisionTreeRegressor

参考文献

R0c261b7dee9d-1 Y. Freund, R. Schapire, “A Decision-Theoretic Generalization of on-Line Learning and an Application to Boosting”, 1995.

R0c261b7dee9d-2 Drucker, “Improving Regressors using Boosting Techniques”, 1997.

实例：

>>> 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...

方法

__init__(self, base_estimator=None, *, n_estimators=50, learning_rate=1.0, loss='linear', random_state=None)

[源码]

初始化的self。请参阅帮助(type(self))以获得准确的签名。

property feature_importances_

[源码]

基于不纯的特性重要性。

越高，功能越重要。一个特征的重要性被计算为该特征带来的标准的(归一化)总减少量。它也被称为基尼重要性。

警告: 针对高基数特性(许多唯一值)，基于不纯的特性重要性可能会引起误解。作为备选，请参考：sklearn.inspection.permutation_importance。

fit(self, X, y, sample_weight=None) 

[源码]

自训练集(X,y)建立一个增强的回归器。

get_params(self, deep=True)

[源码]

得到当前估计器的参数。

predict(self, X)

[源码]

预测X的分类。

对输入样本的预测类别进行计算，作为分类器在集成中的加权平均预测。

score(self, X, y, sample_weight=None)

[源码]

返回预测的决定系数R^2。

决定系数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。

注意：

调用回归变器的score时使用的R2 score，与0.23版本的multioutput='uniform_average'中r2_score的默认值保持一致。这影响了所有多输出回归的score方法(除了MultiOutputRegressor)。

set_params(self, params)

[源码]

设置该估计器的参数。

该方法适用于简单估计器和嵌套对象(如pipline)。后者具有形式为<component>_<parameter>的参数，这样就可以更新嵌套对象的每个组件。

staged_predict(self, X)

[源码]

返回X阶段性的预测。

计算一个输入样本的回归预测值作为分类器在集成中的加权中值进行预测。

该生成器方法在每次增强迭代后生成集成预测，并且因此允许监视，例如确定每次增强后测试集的预测。

staged_score(self, X, y, sample_weight=None)

[源码]

返回X,y阶段性的分数。

该生成器方法在每次递增迭代后生成集成分数，因此允许进行监视，比如在每次递增之后确定测试集上分数。