DummyRegressor#

class sklearn.dummy.DummyRegressor(*, strategy='mean', constant=None, quantile=None)[Quelle]#

Regressor, der Vorhersagen nach einfachen Regeln trifft.

Dieser Regressor ist nützlich als einfacher Basiswert zum Vergleich mit anderen (echten) Regressoren. Verwenden Sie ihn nicht für reale Probleme.

Lesen Sie mehr im Benutzerhandbuch.

Hinzugefügt in Version 0.13.

Parameter:
strategy{„mean“, „median“, „quantile“, „constant“}, Standard=”mean”

Strategie zur Erzeugung von Vorhersagen.

  • „mean“: Vorhersagt immer den Mittelwert des Trainingsdatensatzes

  • „median“: Vorhersagt immer den Median des Trainingsdatensatzes

  • „quantile“: Vorhersagt immer ein bestimmtes Quantil des Trainingsdatensatzes, das mit dem Quantilparameter angegeben wird.

  • „constant“: Vorhersagt immer einen vom Benutzer bereitgestellten konstanten Wert.

constantint oder float oder array-ähnlich von Form (n_outputs,), Standard=None

Die explizite Konstante, wie sie von der „constant“-Strategie vorhergesagt wird. Dieser Parameter ist nur für die „constant“-Strategie nützlich.

quantilefloat in [0.0, 1.0], Standard=None

Das mit der „quantile“-Strategie vorherzusagende Quantil. Ein Quantil von 0,5 entspricht dem Median, während 0,0 dem Minimum und 1,0 dem Maximum entspricht.

Attribute:
constant_ndarray von Form (1, n_outputs)

Mittelwert oder Median oder Quantil der Trainingsziele oder vom Benutzer angegebener konstanter Wert.

n_features_in_int

Anzahl der während des fits gesehenen Merkmale.

feature_names_in_ndarray mit Form (n_features_in_,)

Namen der während fit gesehenen Merkmale. Nur definiert, wenn X Merkmalnamen hat, die alle Zeichenketten sind.

n_outputs_int

Anzahl der Ausgaben.

Siehe auch

DummyClassifier

Klassifikator, der Vorhersagen anhand einfacher Regeln trifft.

Beispiele

>>> import numpy as np
>>> from sklearn.dummy import DummyRegressor
>>> X = np.array([1.0, 2.0, 3.0, 4.0])
>>> y = np.array([2.0, 3.0, 5.0, 10.0])
>>> dummy_regr = DummyRegressor(strategy="mean")
>>> dummy_regr.fit(X, y)
DummyRegressor()
>>> dummy_regr.predict(X)
array([5., 5., 5., 5.])
>>> dummy_regr.score(X, y)
0.0
fit(X, y, sample_weight=None)[Quelle]#

Trainiert den Basislinien-Regressor.

Parameter:
Xarray-like der Form (n_samples, n_features)

Trainingsdaten.

yarray-like der Form (n_samples,) oder (n_samples, n_outputs)

Zielwerte.

sample_weightarray-like der Form (n_samples,), Standardwert=None

Stichprobengewichte.

Gibt zurück:
selfobject

Angepasster Schätzer.

get_metadata_routing()[Quelle]#

Holt das Metadaten-Routing dieses Objekts.

Bitte prüfen Sie im Benutzerhandbuch, wie der Routing-Mechanismus funktioniert.

Gibt zurück:
routingMetadataRequest

Ein MetadataRequest, der Routing-Informationen kapselt.

get_params(deep=True)[Quelle]#

Holt Parameter für diesen Schätzer.

Parameter:
deepbool, default=True

Wenn True, werden die Parameter für diesen Schätzer und die enthaltenen Unterobjekte, die Schätzer sind, zurückgegeben.

Gibt zurück:
paramsdict

Parameternamen, zugeordnet ihren Werten.

predict(X, return_std=False)[Quelle]#

Führt die Klassifizierung für Testvektoren X durch.

Parameter:
Xarray-like der Form (n_samples, n_features)

Testdaten.

return_stdbool, Standard=False

Gibt die Standardabweichung der Vorhersage zurück. In diesem Fall alle Nullen.

Hinzugefügt in Version 0.20.

Gibt zurück:
yarray-like der Form (n_samples,) oder (n_samples, n_outputs)

Vorhergesagte Zielwerte für X.

y_stdarray-ähnlich von Form (n_samples,) oder (n_samples, n_outputs)

Standardabweichung der Vorhersageverteilung von Abfragepunkten.

score(X, y, sample_weight=None)[Quelle]#

Gibt den Bestimmtheitskoeffizienten R^2 der Vorhersage zurück.

Der Koeffizient R^2 ist definiert als (1 - u/v), wobei u die Summe der quadrierten Residuen ist ((y_true - y_pred) ** 2).sum() und v die gesamte Summe der quadrierten Residuen ist ((y_true - y_true.mean()) ** 2).sum(). Der bestmögliche Score ist 1,0 und kann negativ sein (da das Modell beliebig schlechter sein kann). Ein konstantes Modell, das immer den Erwartungswert von y vorhersagt, unabhängig von den Eingabemerkmalen, würde einen R^2-Score von 0,0 erzielen.

Parameter:
XNone oder array-ähnlich von Form (n_samples, n_features)

Teststichproben. Das Übergeben von None als Teststichproben liefert dasselbe Ergebnis wie das Übergeben realer Teststichproben, da DummyRegressor unabhängig von den Stichprobenbeobachtungen arbeitet.

yarray-like der Form (n_samples,) oder (n_samples, n_outputs)

Wahre Werte für X.

sample_weightarray-like der Form (n_samples,), Standardwert=None

Stichprobengewichte.

Gibt zurück:
scorefloat

R^2 von self.predict(X) im Verhältnis zu y.

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → DummyRegressor[Quelle]#

Konfiguriert, ob Metadaten für die fit-Methode angefordert werden sollen.

Beachten Sie, dass diese Methode nur relevant ist, wenn dieser Schätzer als Unter-Schätzer innerhalb eines Meta-Schätzers verwendet wird und Metadaten-Routing mit enable_metadata_routing=True aktiviert ist (siehe sklearn.set_config). Bitte lesen Sie das Benutzerhandbuch, um zu erfahren, wie der Routing-Mechanismus funktioniert.

Die Optionen für jeden Parameter sind

  • True: Metadaten werden angefordert und, falls vorhanden, an fit übergeben. Die Anforderung wird ignoriert, wenn keine Metadaten vorhanden sind.

  • False: Metadaten werden nicht angefordert und der Meta-Schätzer übergibt sie nicht an fit.

  • None: Metadaten werden nicht angefordert und der Meta-Schätzer löst einen Fehler aus, wenn der Benutzer sie bereitstellt.

  • str: Metadaten sollten mit diesem Alias an den Meta-Schätzer übergeben werden und nicht mit dem ursprünglichen Namen.

Der Standardwert (sklearn.utils.metadata_routing.UNCHANGED) behält die bestehende Anforderung bei. Dies ermöglicht es Ihnen, die Anforderung für einige Parameter zu ändern und für andere nicht.

Hinzugefügt in Version 1.3.

Parameter:
sample_weightstr, True, False, oder None, Standardwert=sklearn.utils.metadata_routing.UNCHANGED

Metadaten-Routing für den Parameter sample_weight in fit.

Gibt zurück:
selfobject

Das aktualisierte Objekt.

set_params(**params)[Quelle]#

Setzt die Parameter dieses Schätzers.

Die Methode funktioniert sowohl bei einfachen Schätzern als auch bei verschachtelten Objekten (wie Pipeline). Letztere haben Parameter der Form <component>__<parameter>, so dass es möglich ist, jede Komponente eines verschachtelten Objekts zu aktualisieren.

Parameter:
**paramsdict

Schätzer-Parameter.

Gibt zurück:
selfestimator instance

Schätzer-Instanz.

set_predict_request(*, return_std: bool | None | str = '$UNCHANGED$') → DummyRegressor[Quelle]#

Konfiguriert, ob Metadaten für die predict-Methode angefordert werden sollen.

Beachten Sie, dass diese Methode nur relevant ist, wenn dieser Schätzer als Unter-Schätzer innerhalb eines Meta-Schätzers verwendet wird und Metadaten-Routing mit enable_metadata_routing=True aktiviert ist (siehe sklearn.set_config). Bitte lesen Sie das Benutzerhandbuch, um zu erfahren, wie der Routing-Mechanismus funktioniert.

Die Optionen für jeden Parameter sind

  • True: Metadaten werden angefordert und, falls vorhanden, an predict weitergegeben. Die Anforderung wird ignoriert, wenn keine Metadaten bereitgestellt werden.

  • False: Metadaten werden nicht angefordert und die Meta-Schätzung übergibt sie nicht an predict.

  • None: Metadaten werden nicht angefordert und der Meta-Schätzer löst einen Fehler aus, wenn der Benutzer sie bereitstellt.

  • str: Metadaten sollten mit diesem Alias an den Meta-Schätzer übergeben werden und nicht mit dem ursprünglichen Namen.

Der Standardwert (sklearn.utils.metadata_routing.UNCHANGED) behält die bestehende Anforderung bei. Dies ermöglicht es Ihnen, die Anforderung für einige Parameter zu ändern und für andere nicht.

Hinzugefügt in Version 1.3.

Parameter:
return_stdstr, True, False oder None, Standard=sklearn.utils.metadata_routing.UNCHANGED

Metadaten-Routing für den Parameter return_std in predict.

Gibt zurück:
selfobject

Das aktualisierte Objekt.

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → DummyRegressor[Quelle]#

Konfiguriert, ob Metadaten für die score-Methode angefordert werden sollen.

Beachten Sie, dass diese Methode nur relevant ist, wenn dieser Schätzer als Unter-Schätzer innerhalb eines Meta-Schätzers verwendet wird und Metadaten-Routing mit enable_metadata_routing=True aktiviert ist (siehe sklearn.set_config). Bitte lesen Sie das Benutzerhandbuch, um zu erfahren, wie der Routing-Mechanismus funktioniert.

Die Optionen für jeden Parameter sind

  • True: Metadaten werden angefordert und, falls vorhanden, an score übergeben. Die Anforderung wird ignoriert, wenn keine Metadaten vorhanden sind.

  • False: Metadaten werden nicht angefordert und der Meta-Schätzer übergibt sie nicht an score.

  • None: Metadaten werden nicht angefordert und der Meta-Schätzer löst einen Fehler aus, wenn der Benutzer sie bereitstellt.

  • str: Metadaten sollten mit diesem Alias an den Meta-Schätzer übergeben werden und nicht mit dem ursprünglichen Namen.

Der Standardwert (sklearn.utils.metadata_routing.UNCHANGED) behält die bestehende Anforderung bei. Dies ermöglicht es Ihnen, die Anforderung für einige Parameter zu ändern und für andere nicht.

Hinzugefügt in Version 1.3.

Parameter:
sample_weightstr, True, False, oder None, Standardwert=sklearn.utils.metadata_routing.UNCHANGED

Metadaten-Routing für den Parameter sample_weight in score.

Gibt zurück:
selfobject

Das aktualisierte Objekt.