VotingRegressor#
- class sklearn.ensemble.VotingRegressor(estimators, *, weights=None, n_jobs=None, verbose=False)[源代码]#
非拟合估计量的预测投票回归量。
投票回归量是一个整体元估计器，它适合多个基本回归量，每个基本回归量都在整个数据集中。然后它对各个预测进行平均以形成最终预测。
有关详细示例，请参阅 绘制个人和投票回归预测图 .
阅读更多的 User Guide .
Added in version 0.21.
- 参数:
- estimators（字符串，估计器）二元组列表
调用
fit方法对VotingRegressor将适合那些将存储在类属性中的原始估计量的克隆self.estimators_.估计器可以设置为'drop'使用set_params.在 0.21 版本发生变更:
'drop'被接受。0.22中不建议使用无，0.24中删除了支持。- weights形状类似数组（n_regressors，），默认=无
权重顺序 (
float或int）在求平均之前对预测值的出现进行加权。如果使用统一的重量None.- n_jobsint，默认=无
并行运行的作业数量
fit.None意思是1，除非在a中joblib.parallel_backend上下文-1意味着使用所有处理器。看到 Glossary 了解更多详细信息。- verbose布尔，默认=假
如果为True，则将在安装完成时打印安装所经过的时间。
Added in version 0.23.
- 属性:
参见
VotingClassifier软投票/多数规则分类器。
示例
>>> import numpy as np >>> from sklearn.linear_model import LinearRegression >>> from sklearn.ensemble import RandomForestRegressor >>> from sklearn.ensemble import VotingRegressor >>> from sklearn.neighbors import KNeighborsRegressor >>> r1 = LinearRegression() >>> r2 = RandomForestRegressor(n_estimators=10, random_state=1) >>> r3 = KNeighborsRegressor() >>> X = np.array([[1, 1], [2, 4], [3, 9], [4, 16], [5, 25], [6, 36]]) >>> y = np.array([2, 6, 12, 20, 30, 42]) >>> er = VotingRegressor([('lr', r1), ('rf', r2), ('r3', r3)]) >>> print(er.fit(X, y).predict(X)) [ 6.8... 8.4... 12.5... 17.8... 26... 34...]
In the following example, we drop the
'lr'estimator withset_paramsand fit the remaining two estimators:>>> er = er.set_params(lr='drop') >>> er = er.fit(X, y) >>> len(er.estimators_) 2
- fit(X, y, *, sample_weight=None, **fit_params)[源代码]#
匹配估计值。
- 参数:
- X形状（n_samples，n_features）的{类数组，稀疏矩阵}
训练载体，在哪里
n_samples是样本数量和n_features是功能的数量。- y形状类似阵列（n_samples，）
目标值。
- sample_weight形状类似数组（n_samples，），默认=无
样本重量。如果无，则样本的加权相等。请注意，只有当所有基本估计量都支持样本权重时，这才得到支持。
- **fit_paramsdict
要传递给基础估计器的参数。
Added in version 1.5: 仅在以下情况下可用
enable_metadata_routing=True，可以使用sklearn.set_config(enable_metadata_routing=True).看到 Metadata Routing User Guide 了解更多详细信息。
- 返回:
- self对象
拟合估计量。
- fit_transform(X, y=None, **fit_params)[源代码]#
返回每个估计器的类标签或概率。
返回每个估计器的X的预测。
- 参数:
- X{类数组，稀疏矩阵，矩阵}的形状 （n_samples，n_features）
输入样本。
- y形状的nd数组（n_samples，），默认=无
目标值（无监督转换）。
- **fit_paramsdict
其他适合参数。
- 返回:
- X_newndray形状数组（n_samples，n_features_new）
变形的数组。
- get_feature_names_out(input_features=None)[源代码]#
获取用于转换的输出要素名称。
- 参数:
- input_features字符串或无的类数组，默认=无
未使用，此处列出是为了按照惯例实现API一致性。
- 返回:
- feature_names_out字符串对象的nd数组
转换的功能名称。
- 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 1.5.
- 返回:
- routingMetadataRouter
A
MetadataRouter封装路由信息。
- get_params(deep=True)[源代码]#
从集合中获取估计器的参数。
返回构造函数中给出的参数以及包含在
estimators参数.- 参数:
- deep布尔，默认=True
将其设置为True会获得各种估计量和估计量的参数。
- 返回:
- paramsdict
映射到其值的参数和估计器名称或映射到其值的参数名称。
- predict(X)[源代码]#
预测X的回归目标。
输入样本的预测回归目标被计算为集合中估计量的平均预测回归目标。
- 参数:
- X形状（n_samples，n_features）的{类数组，稀疏矩阵}
输入样本。
- 返回:
- y形状的nd数组（n_samples，）
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), wheren_samples_fittedis 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_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') VotingRegressor[源代码]#
请求元数据传递给
fit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fit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fit.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fit.
- 返回:
- self对象
更新的对象。
- set_output(*, transform=None)[源代码]#
设置输出容器。
看到 介绍 set_output API 了解如何使用API的示例。
- 参数:
- transform{“默认”，“pandas”，“polars”}，默认=无
配置输出
transform和fit_transform."default"：Transformer的默认输出格式"pandas"：DataFrame输出"polars"：两极输出None：转换配置不变
Added in version 1.4:
"polars"添加了选项。
- 返回:
- self估计器实例
估计实例。
- set_params(**params)[源代码]#
从集合中设置估计器的参数。
有效的参数键可以与
get_params().请注意，您可以直接设置中包含的估计器的参数estimators.- 参数:
- **params关键字参数
具体参数，例如
set_params(parameter_name=new_value).此外，为了设置估计器的参数，还可以设置估计器的单个估计器，或者可以通过将它们设置为“drop”来删除。
- 返回:
- self对象
估计实例。
- set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') VotingRegressor[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。