sklearn.ensemble.VotingClassifier

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

[源码]

针对非拟合估计器的Soft Voting/Majority规则分类器。

0.17新增功能。

用户指南中阅读更多内容。

参数 说明
estimators list of (str, estimator) tuples
在投票分类器上调用fit方法将你和存储在类属性self.estimators_中的原始估计器的克隆体。可以使用set_params将评估器设置为“drop”。
- 版本0.21中的更改:“drop”收录进该版本。
自版本0.22以来已弃用: 使用None删除评估器在0.22中已弃用,在0.24中删除了该功能并使用字符串'drop'代替。
voting {‘hard’, ‘soft’}, default=’hard’
如果是"hard",则使用预测的类标签进行多数决定投票。如果“soft”,预测类标签基于预测概率总和的最大值,这是一个精心校准的分类器的集成推荐。
weights array-like of shape (n_classifiers,), default=None
权重序列(floatint),用于在平均(soft voting)之前对预测的类标签(hard voting)或类概率的出现进行加权。如果没有,使用统一的权重。
n_jobs int, default=None
int, default=None 所有并行estimators fit作业数量。除非在joblib.parallel_backend中,否则None表示是1。-1表示使用所有处理器。参见Glossary了解更多细节。
0.18版本新功能
flatten_transform bool, default=True
如果voting= 'soft'flatten_transform=True, 转化方法返回大小为(n_samples, n_classifiers * n_classes)的矩阵。如果flat _transform=False,它返回(n_classifiers, n_samples, n_classes)
verbose bool, default=False
如果为True,拟合时经过的时间将在拟合完成时打印出来。
属性 说明
estimators_ list of estimators
估计器参数的元素,已在训练数据上拟合。如果一个估计器被设置为“drop”,那么它将不会出现在estimators_中。
named_estimators_ Bunch
属性来按名称访问任何拟合的子估计器。
classes_ array-like of shape (n_predictions,)
类标签。

另见

VotingRegressor 预测投票回归量。

实例

>>> import numpy as np
>>> from sklearn.linear_model import LogisticRegression
>>> from sklearn.naive_bayes import GaussianNB
>>> from sklearn.ensemble import RandomForestClassifier, VotingClassifier
>>> clf1 = LogisticRegression(multi_class='multinomial', random_state=1)
>>> clf2 = RandomForestClassifier(n_estimators=50, random_state=1)
>>> clf3 = GaussianNB()
>>> X = np.array([[-1-1], [-2-1], [-3-2], [11], [21], [32]])
>>> y = np.array([111222])
>>> 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]
>>> 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)
(66)

方法

方法 说明
fit(X[, y, sample_weight]) 拟合估计器。
fit_transform(X[, y]) 拟合估计器和变换数据集。
get_params([deep]) 从集成中得到估计器的参数。
predict(X) 预测X的类标签。
score(X, y[, sample_weight]) 返回给定测试数据和标签的平均精度。
set_params(**params) 从集成中设置估计器的参数。
transform(X) 返回每个估计器X的类标签或概率。
__init__(estimators, *, voting='hard', weights=None, n_jobs=None, flatten_transform=True, verbose=False)

[源码]

初始化self。有关准确的签名,请参见help(type(self))

fit(X, y, sample_weight = None)

[源码]

拟合估计器。

参数 说明
X {array-like, sparse matrix} of shape (n_samples, n_features)
训练向量,其中n_samples为样本数量,n_features为特征数量。
y array-like of shape (n_samples,)
目标值。
sample_weight array-like of shape (n_samples,), default=None
样本权重。如果没有,那么样本的权重相等。注意,只有当所有的潜在估计器都支持样本权值时,才支持此方法。
0.18新增功能
返回值 说明
self object
fit_transform(X, y=None, **fit_params)

[源码]

拟合数据,然后转换它。

使用可选参数fit_params将transformer与X和y匹配,并返回X的转换版本。

参数 说明
X {array-like, sparse matrix} of shape (n_samples, n_features)
训练向量,其中n_samples为样本数量,n_features为特征数量。
y ndarray of shape (n_samples,), default=None
目标值。
**fit_params dict
其他拟合参数。
返回值 说明
X_new ndarray array of shape (n_samples, n_features_new)
转化后的数组。
get_params(deep=True)

[源码]

从集成中得到估计器的参数。

参数 说明
deep deep : bool, default = True
将其设置为True将获得各种分类器以及分类器的参数。
predict(X)

[源码]

预测X的分类。

参数 说明
X {array-like, sparse matrix} of shape (n_samples, n_features)
输入样本。
返回值 说明
maj array-like of shape (n_samples,)
预测后的分类标签。
property predict_proba

计算X中样本可能结果的概率。

参数 说明
X {array-like, sparse matrix} of shape (n_samples, n_features)
输入样本。
返回值 说明
avg array-like of shape (n_samples,)
加权平均每类每个样本的概率
score(X, y, sample_weight=None)

[源码]

返回给定测试数据和标签的平均精度。

在多标签分类中,这是子集精度,同时也是个苛刻的指标,因为你需要对每个样本正确预测每个标签集。

参数 说明
X array-like of shape (n_samples, n_features)
测试样本。
y array-like of shape (n_samples,) or (n_samples, n_outputs)
X的正确标签。
sample_weight array-like of shape (n_samples,), default=None
样本权重。
返回值 说明
score float
self.predict(X) 关于y的平均准确率。
set_params(**params)

[源码]

从集成中设置估计器的参数。

有效的参数键可以用get_params()列出。

参数 说明
**params keyword arguments
使用例如set_params(parameter_name=new_value)的特定参数。此外,为了设置堆料估算器的参数,还可以设置叠加估算器的单个估算器,或者通过将它们设置为“drop”来删除它们。
transform(X)

[源码]

返回每个估计量X的类标签或概率。

参数 说明
X {array-like, sparse matrix} of shape (n_samples, n_features)
训练向量,其中n_samples为样本数量,n_features为特征数量。
返回值 说明
probabilities_or_labels If voting='soft' and flatten_transform=True:
返回大小为(n_classifiers, n_samples * n_classes)ndarray,为每个分类器计算的类概率。
If voting='soft' and flatten_transform=False:
返回大小为(n_classifiers, n_samples, n_classes)的ndarray。
Ifvoting='hard':
返回大小为(n_samples, n_classifiers)的ndarray,是每个分类器预测的类标签。