FrozenEstimator#

class sklearn.frozen.FrozenEstimator(estimator)[source]#

Schätzer, der einen angepassten Schätzer umhüllt, um eine erneute Anpassung zu verhindern.

Dieser Meta-Estimator nimmt einen Estimator und "friert" ihn ein, d.h. das Aufrufen von fit hat keine Auswirkung. fit_predict und fit_transform sind ebenfalls deaktiviert. Alle anderen Methoden werden an den ursprünglichen Estimator delegiert, und die Attribute des ursprünglichen Estimators sind ebenfalls zugänglich.

Dies ist besonders nützlich, wenn Sie ein trainiertes oder vortrainiertes Modell als Transformer in einer Pipeline haben und möchten, dass pipeline.fit bei diesem Schritt keine Auswirkungen hat.

Parameter:

estimatorestimator: Der Estimator, der eingefroren bleiben soll.

Siehe auch

None: Kein ähnlicher Eintrag in der scikit-learn Dokumentation.

Beispiele

>>> from sklearn.datasets import make_classification
>>> from sklearn.frozen import FrozenEstimator
>>> from sklearn.linear_model import LogisticRegression
>>> X, y = make_classification(random_state=0)
>>> clf = LogisticRegression(random_state=0).fit(X, y)
>>> frozen_clf = FrozenEstimator(clf)
>>> frozen_clf.fit(X, y)  # No-op
FrozenEstimator(estimator=LogisticRegression(random_state=0))
>>> frozen_clf.predict(X)  # Predictions from `clf.predict`
array(...)

fit(X, y, *args, **kwargs)[source]#

Keine Aktion.

Als eingefrorener Estimator hat das Aufrufen von fit keine Auswirkungen.

Parameter:

XObjekt: Ignoriert.
yObjekt: Ignoriert.
*argsTupel: Zusätzliche positionsgebundene Argumente. Werden ignoriert, sind aber für die API-Kompatibilität mit self.estimator vorhanden.
**kwargsdict: Zusätzliche schlüsselwortgebundene Argumente. Werden ignoriert, sind aber für die API-Kompatibilität mit self.estimator vorhanden.

Gibt zurück: