MultiOutputRegressor

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

Multi-Target-Regression.

Diese Strategie besteht darin, einen Regressor pro Zielvariable anzupassen. Dies ist eine einfache Strategie zur Erweiterung von Regressoren, die standardmäßig keine Multi-Target-Regression unterstützen.

Hinzugefügt in Version 0.18.

Parameter:

estimatorEstimator-Objekt

Ein Schätzerobjekt, das fit und predict implementiert.

n_jobsint oder None, optional (Standard=None)

Die Anzahl der parallel auszuführenden Jobs. fit, predict und partial_fit (sofern vom übergebenen Schätzer unterstützt) werden für jede Zielvariable parallelisiert.

Wenn einzelne Schätzer schnell zu trainieren oder vorherzusagen sind, kann die Verwendung von n_jobs > 1 aufgrund des Parallelisierungsaufwands zu einer langsameren Leistung führen.

None bedeutet 1, es sei denn, in einem joblib.parallel_backend-Kontext. -1 bedeutet die Verwendung aller verfügbaren Prozesse / Threads. Weitere Einzelheiten finden Sie im Glossar.

Geändert in Version 0.20: Der Standardwert für n_jobs wurde von 1 auf None geändert.

Attribute:

estimators_Liste von n_output Schätzern

Estimators, die für Vorhersagen verwendet werden.

n_features_in_int

Anzahl der während fit gesehenen Merkmale. Nur definiert, wenn der zugrunde liegende estimator ein solches Attribut nach dem Anpassen freigibt.

Hinzugefügt in Version 0.24.

feature_names_in_ndarray mit Form (n_features_in_,)

Namen von Merkmalen, die während fit gesehen wurden. Nur definiert, wenn die zugrunde liegenden Estimator ein solches Attribut nach dem Trainieren bereitstellen.

Hinzugefügt in Version 1.0.

Siehe auch

RegressorChain

Ein Multi-Label-Modell, das Regressionen zu einer Kette anordnet.

MultiOutputClassifier

Klassifiziert jeden Output unabhängig anstatt zu verketten.

Beispiele

>>> 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)
>>> regr = MultiOutputRegressor(Ridge(random_state=123)).fit(X, y)
>>> regr.predict(X[[0]])
array([[176, 35.1, 57.1]])

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

Passt das Modell getrennt für jede Ausgabevariable an die Daten an.

Parameter:

X{array-like, sparse matrix} der Form (n_samples, n_features)

Die Eingabedaten.

y{array-ähnlich, sparse Matrix} der Form (n_samples, n_outputs)

Multi-Output-Ziele. Eine Indikatormatrix aktiviert die Multi-Label-Schätzung.

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

Stichprobengewichte. Wenn None, werden die Stichproben gleich gewichtet. Wird nur unterstützt, wenn der zugrunde liegende Regressor Stichprobengewichte unterstützt.

**fit_paramsdict von String -> Objekt

An die estimator.fit Methode jedes Schritts übergebene Parameter.

Hinzugefügt in Version 0.23.

Gibt zurück:

selfobject

Gibt eine angepasste Instanz zurück.

get_metadata_routing()

Holt das Metadaten-Routing dieses Objekts.

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

Hinzugefügt in Version 1.3.

Gibt zurück:

routingMetadataRouter

Ein MetadataRouter, der die Routing-Informationen kapselt.

get_params(deep=True)

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.

partial_fit(X, y, sample_weight=None, **partial_fit_params)

Passt das Modell inkrementell getrennt für jede Ausgabevariable an die Daten an.

Parameter:

X{array-like, sparse matrix} der Form (n_samples, n_features)

Die Eingabedaten.

y{array-ähnlich, sparse Matrix} der Form (n_samples, n_outputs)

Multi-Output-Ziele.

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

Stichprobengewichte. Wenn None, werden die Stichproben gleich gewichtet. Wird nur unterstützt, wenn der zugrunde liegende Regressor Stichprobengewichte unterstützt.

**partial_fit_paramsdict von str -> object

An die Methode estimator.partial_fit jedes Unterestimators übergebene Parameter.

Nur verfügbar, wenn enable_metadata_routing=True ist. Siehe das Benutzerhandbuch.

Hinzugefügt in Version 1.3.

Gibt zurück:

selfobject

Gibt eine angepasste Instanz zurück.

predict(X)

Sagt Multi-Output-Variablen mit dem Modell für jede Zielvariable voraus.

Parameter:

X{array-like, sparse matrix} der Form (n_samples, n_features)

Die Eingabedaten.

Gibt zurück:

y{array-ähnlich, sparse Matrix} der Form (n_samples, n_outputs)

Multi-Output-Ziele, die über mehrere Prädiktoren vorhergesagt werden. Hinweis: Für jeden Prädiktor werden separate Modelle generiert.

score(X, y, sample_weight=None)

Gibt den Bestimmtheitskoeffizienten auf Testdaten zurück.

Der Bestimmtheitskoeffizient \(R^2\) ist definiert als \((1 - \frac{u}{v})\), wobei \(u\) die Residuenquadratsumme ((y_true - y_pred)** 2).sum() und \(v\) die totale Quadratsumme ((y_true - y_true.mean()) ** 2).sum() ist. 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 erhalten.

Parameter:

Xarray-like der Form (n_samples, n_features)

Teststichproben. Für einige Schätzer kann dies eine vorab berechnete Kernelmatrix oder eine Liste von generischen Objekten sein, stattdessen mit der Form (n_samples, n_samples_fitted), wobei n_samples_fitted die Anzahl der für die Anpassung des Schätzers verwendeten Stichproben ist.

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) bezogen auf y.

Anmerkungen

Der \(R^2\)-Score, der bei Aufruf von score auf einem Regressor verwendet wird, verwendet multioutput='uniform_average' ab Version 0.23, um konsistent mit dem Standardwert von r2_score zu sein. Dies beeinflusst die score Methode aller Multi-Output-Regressoren (mit Ausnahme von MultiOutputRegressor).

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → MultiOutputRegressor

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)

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_partial_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → MultiOutputRegressor

Konfiguriert, ob Metadaten für die partial_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 an partial_fit übergeben, wenn sie bereitgestellt werden. Die Anforderung wird ignoriert, wenn keine Metadaten bereitgestellt werden.

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

Gibt zurück:

selfobject

Das aktualisierte Objekt.

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → MultiOutputRegressor

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.

Galeriebeispiele

Vergleich von Random Forests und dem Multi-Output Meta-Estimator

Vergleich von Random Forests und dem Multi-Output Meta-Estimator