DummyRegressor

classsklearn.dummy.DummyRegressor(*, strategy='mean', constant=None, quantile=None)[исходный код]

Регрессор, который строит прогнозы с помощью простых правил.

Этот регрессор полезен в качестве простой базовой модели для сравнения с другими (реальными) регрессорами. Не используйте его для решения реальных задач.

Подробнее см. в Руководстве пользователя.

Добавлен в версии 0.13.

Параметры:

strategy{“mean”, “median”, “quantile”, “constant”}, default=”mean”

Стратегия, используемая для построения прогнозов.

• “mean”: всегда прогнозируется среднее значение обучающей выборки
• “median”: всегда прогнозируется медиана обучающей выборки
• “quantile”: всегда прогнозируется заданный квантиль обучающей выборки, указанный параметром quantile.
• “constant”: всегда прогнозируется постоянное значение, заданное пользователем.

constantint or float or array-like of shape (n_outputs,), default=None

Явно заданная константа, прогнозируемая стратегией “constant”. Этот параметр используется только для стратегии “constant”.

quantilefloat in [0.0, 1.0], default=None

Квантиль, прогнозируемый с помощью стратегии “quantile”. Квантиль 0.5 соответствует медиане, 0.0 — минимуму, а 1.0 — максимуму.

Атрибуты:

constant_ndarray of shape (1, n_outputs)

Среднее значение, медиана или квантиль целевых значений обучающей выборки либо заданное пользователем постоянное значение.

n_features_in_int

Количество признаков, полученных во время обучения.

feature_names_in_ndarray of shape (n_features_in_,)

Названия признаков, полученные во время обучения. Определяется только в том случае, если X содержит названия признаков, представленные строками.

n_outputs_int

Количество выходов.

См. также

DummyClassifier

Классификатор, который строит прогнозы с помощью простых правил.

Примеры

>>> 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)[исходный код]

Обучить базовый регрессор.

Параметры:

Xarray-like of shape (n_samples, n_features)

Обучающие данные.

yarray-like of shape (n_samples,) or (n_samples, n_outputs)

Целевые значения.

sample_weightarray-like of shape (n_samples,), default=None

Веса объектов.

Возвращает:

selfobject

Обученный оцениватель.

get_metadata_routing()[исходный код]

Получить настройки маршрутизации метаданных этого объекта.

О том, как работает механизм маршрутизации, см. в Руководстве пользователя.

Возвращает:

routingMetadataRequest

MetadataRequest, содержащий сведения о маршрутизации.

get_params(deep=True)[исходный код]

Получить параметры этого оценивателя.

Параметры:

deepbool, default=True

Если значение True, будут возвращены параметры этого оценивателя и содержащихся в нём объектов-оценивателей.

Возвращает:

paramsdict

Имена параметров и соответствующие им значения.

predict(X, return_std=False)[исходный код]

Выполнить классификацию тестовых векторов X.

Параметры:

Xarray-like of shape (n_samples, n_features)

Тестовые данные.

return_stdbool, default=False

Возвращать ли стандартное отклонение апостериорного прогноза. В этом случае оно равно нулю.

Добавлен в версии 0.20.

Возвращает:

yarray-like of shape (n_samples,) or (n_samples, n_outputs)

Прогнозируемые целевые значения для X.

y_stdarray-like of shape (n_samples,) or (n_samples, n_outputs)

Стандартное отклонение прогностического распределения для точек запроса.

score(X, y, sample_weight=None)[исходный код]

Вернуть коэффициент детерминации R^2 для прогноза.

Коэффициент R^2 определяется как (1 - u/v), где u — остаточная сумма квадратов ((y_true - y_pred) ** 2).sum(), а v — общая сумма квадратов ((y_true - y_true.mean()) ** 2).sum(). Наилучшая возможная оценка равна 1.0; она может быть отрицательной (поскольку модель может быть сколь угодно хуже). Постоянная модель, всегда прогнозирующая ожидаемое значение y и игнорирующая входные признаки, получит оценку R^2, равную 0.0.

Параметры:

XNone or array-like of shape (n_samples, n_features)

Тестовые образцы. Передача None в качестве тестовых образцов даёт тот же результат, что и передача реальных тестовых образцов, поскольку DummyRegressor работает независимо от выбранных наблюдений.

yarray-like of shape (n_samples,) or (n_samples, n_outputs)

Истинные значения для X.

sample_weightarray-like of shape (n_samples,), default=None

Веса объектов.

Возвращает:

scorefloat

R^2 для self.predict(X) относительно y.

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

Настроить, следует ли запрашивать передачу метаданных методу fit.

Обратите внимание, что этот метод актуален только тогда, когда данный оцениватель используется как вложенный оцениватель в составе метаоценивателя и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). О том, как работает механизм маршрутизации, см. в Руководстве пользователя.

Для каждого параметра доступны следующие варианты:

• True: метаданные запрашиваются и, если они предоставлены, передаются в fit. Если метаданные не предоставлены, запрос игнорируется.
• False: метаданные не запрашиваются, и метаоцениватель не будет передавать их в fit.
• None: метаданные не запрашиваются, и метаоцениватель выдаст ошибку, если пользователь их предоставит.
• str: метаданные следует передавать метаоценивателю под указанным псевдонимом вместо исходного имени.

Значение по умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет существующий запрос. Это позволяет изменять запрос для некоторых параметров, не затрагивая остальные.

Добавлен в версии 1.3.

Параметры:

sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для параметра sample_weight метода fit.

Возвращает:

selfobject

Обновлённый объект.

set_params(**params)[исходный код]

Задать параметры этого оценивателя.

Метод работает как с простыми оценивателями, так и с вложенными объектами (например, Pipeline). У последних параметры имеют вид <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценивателя.

Возвращает:

selfestimator instance

Экземпляр оценивателя.

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

Настроить, следует ли запрашивать передачу метаданных методу predict.

Обратите внимание, что этот метод актуален только тогда, когда данный оцениватель используется как вложенный оцениватель в составе метаоценивателя и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). О том, как работает механизм маршрутизации, см. в Руководстве пользователя.

Для каждого параметра доступны следующие варианты:

• True: метаданные запрашиваются и, если они предоставлены, передаются в predict. Если метаданные не предоставлены, запрос игнорируется.
• False: метаданные не запрашиваются, и метаоцениватель не будет передавать их в predict.
• None: метаданные не запрашиваются, и метаоцениватель выдаст ошибку, если пользователь их предоставит.
• str: метаданные следует передавать метаоценивателю под указанным псевдонимом вместо исходного имени.

Значение по умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет существующий запрос. Это позволяет изменять запрос для некоторых параметров, не затрагивая остальные.

Добавлен в версии 1.3.

Параметры:

return_stdstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для параметра return_std метода predict.

Возвращает:

selfobject

Обновлённый объект.

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

Настроить, следует ли запрашивать передачу метаданных методу score.

Обратите внимание, что этот метод актуален только тогда, когда данный оцениватель используется как вложенный оцениватель в составе метаоценивателя и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). О том, как работает механизм маршрутизации, см. в Руководстве пользователя.

Для каждого параметра доступны следующие варианты:

• True: метаданные запрашиваются и, если они предоставлены, передаются в score. Если метаданные не предоставлены, запрос игнорируется.
• False: метаданные не запрашиваются, и метаоцениватель не будет передавать их в score.
• None: метаданные не запрашиваются, и метаоцениватель выдаст ошибку, если пользователь их предоставит.
• str: метаданные следует передавать метаоценивателю под указанным псевдонимом вместо исходного имени.

Значение по умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет существующий запрос. Это позволяет изменять запрос для некоторых параметров, не затрагивая остальные.

Добавлен в версии 1.3.

Параметры:

sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для параметра sample_weight метода score.

Возвращает:

selfobject

Обновлённый объект.

Примеры из галереи

Регрессия Пуассона и ненормальная функция потерь

Регрессия Твиди для страховых требований