sklearn.multioutput.MultiOutputRegressor

class sklearn.multioutput.MultiOutputRegressor(estimator, *, n_jobs=None)

[源码]

多目标回归

该策略包括为每个目标安装一个回归器。这是扩展本来不支持多目标回归的回归变量的简单策略。

版本0.18中的新功能。

参数 说明
estimator estimator object
实现拟合预测的估计对象。
n_jobs int or None, optional (default=None)
为并行运行的作业数fitNone除非在joblib.parallel_backend上下文中,否则表示1 。 -1表示使用所有处理器。有关 更多详细信息,请参见词汇表
当各个估算器快速训练或预测使用n_jobs>1时,由于生成过程的开销而导致性能降低。
v0.20版中的更改:n_jobs默认从1更改为None
属性 说明
estimators_ list of n_output estimators
用于预测的估计量。

实例

>>> 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)
>>> clf = MultiOutputRegressor(Ridge(random_state=123)).fit(X, y)
>>> clf.predict(X[[0]])
array([[176..., 35..., 57...]])
方法 说明
fit(X, y[, sample_weight]) 使模型拟合数据。
get_params([deep]) 获取此估计量的参数。
partial_fit(X, y[, sample_weight]) 使模型逐渐拟合数据。
predict(X) 使用模型预测多输出变量
score(X, y[, sample_weight]) 返回预测的确定系数R ^ 2。
set_params(**params) 设置此估算量的参数。
__init__(estimator, *, n_jobs=None)

[源码]

初始化self, 请参阅help(type(self))以获得准确的说明。

fit(X, y, sample_weight=None, **fit_params)

[源码]

使模型拟合数据。为每个输出变量拟合一个单独的模型。

参数 说明
X (sparse) array-like, shape (n_samples, n_features)
数据。
y (sparse) array-like, shape (n_samples, n_outputs)
多输出目标。指标矩阵可打开多标签估计。
sample_weight array-like of shape (n_samples,), default=None
样本权重。如果为None,则对样本进行平均加权。仅当基础回归变量支持样本权重时才支持。
**fit_params dict of string -> object
参数传递给estimator.fit每个步骤的方法。
返回值 说明
self object
get_params(deep=True)

[源码]

获取此估计量的参数。

参数 说明
deep bool, default=True
如果为True,则将返回此估算器和作为估算器的所包含子对象的参数。
返回值 说明
params mapping of string to any
参数名称映射到其值。
partial_fit(X, y, sample_weight=None)

[源码]

使模型逐渐拟合数据。为每个输出变量拟合一个单独的模型。

参数 说明
X (sparse) array-like, shape (n_samples, n_features)
数据。
y (sparse) array-like, shape (n_samples, n_outputs)
多输出目标。
sample_weight array-like of shape (n_samples,), default=None
样本权重。如果为None,则对样本进行平均加权。仅当基础回归变量支持样本权重时才支持。
返回值 说明
self object
predict(X)

[源码]

使用模型预测多输出变量

​ 针对每个目标变量进行训练。

参数 说明
X (sparse) array-like, shape (n_samples, n_features)
数据。
返回值 说明
y (sparse) array-like, shape (n_samples, n_outputs)
跨多个预测变量预测的多输出目标。注意:为每个预测变量生成单独的模型。
score(X, y, sample_weight=None)

[源码]

返回预测的确定系数R ^ 2。

系数R ^ 2定义为(1- u / v),其中u是平方的残差和((y_true - y_pred) ** 2).sum(),而v是平方的总和 ((y_true - y_true.mean()) ** 2).sum(). 。可能的最高分是1.0,并且可能为负(因为该模型可能会更差)。不管输入特征如何,始终预测y的期望值的恒定模型将获得0.0的R ^ 2分数。

参数 说明
X array-like of shape (n_samples, n_features)
测试样本。对于某些估计量,这可能是一个预先计算的核矩阵或泛型对象列表,shape=(n_samples,n_samples_fitted),其中n_samples_fitted是在拟合估计器时使用的样本数。
y array-like of shape (n_samples,) or (n_samples, n_outputs)
X的真实值。
sample_weight array-like of shape (n_samples,), default=None
样本权重
返回值 说明
score float
self.predict(X) wrt. y.的R^2

调用score回归器时使用的R2得分multioutput='uniform_average'从0.23版开始使用 ,r2_score已与默认值保持一致。这会影响score所有多输出回归变量的方法(除外 MultiOutputRegressor)。

set_params(**params)

[源码]

设置此估算器的参数。

该方法适用于简单的估计器以及嵌套对象(例如 pipelines)。后者具有形式的参数, <component>__<parameter>以便可以更新嵌套对象的每个组件。

参数 说明
**params dict
估算量参数。
返回值 说明
self object
估算量实例。

sklearn.multioutput.MultiOutputRegressor使用实例