Spec-Zone.ru › scikit-learn

DummyRegressor

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

Регрессор, который делает предсказания используя простые правила.

Этот регрессор полезен как простой базовый уровень для сравнения с другими (реальными) регрессорами. Не используйте его для реальных задач.

Подробнее в Руководстве пользователя.

Добавлено в версии 0.13.

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

Стратегия для генерации предсказаний.

  • “mean”: всегда предсказывает среднее значение обучающего набора
  • “median”: всегда предсказывает медиану обучающего набора
  • “quantile”: всегда предсказывает заданный квантиль обучающего набора, задаваемый параметром quantile.
  • “constant”: всегда предсказывает константное значение, задаваемое пользователем.
constantint or float or array-like of shape (n_outputs,), default=None

Явное константное значение, предсказываемое стратегией “constant”. Этот параметр полезен только для стратегии “constant”.

quantilefloat in [0.0, 1.0], default=None

Квантиль для предсказания с использованием стратегии “quantile”. Квантиль 0.5 соответствует медиане, 0.0 — минимуму, а 1.0 — максимуму.

Атрибуты:
constant_ndarray of shape (1, n_outputs)

Среднее, медиана или квантиль целевых значений обучающего набора или константное значение, заданное пользователем.

n_features_in_int

Число признаков, увиденных во время fit.

feature_names_in_ndarray of shape (n_features_in_,)

Названия признаков, увиденных во время fit. Определяется только когда X имеет названия признаков, которые являются строками.

n_outputs_int

Число выходов.

См. также

DummyClassifier

Классификатор, который делает предсказания используя простые правила.

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)[source]

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 выборок.

Возвращает:
selfobject

Обученный оценщик.

get_metadata_routing()[source]

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Возвращает:
routingMetadataRequest

A MetadataRequest encapsulating routing information.

get_params(deep=True)[source]

Получить параметры для этого оценщика.

Параметры:
deepbool, default=True

Если True, вернет параметры для этого оценщика и содержащихся вложенных объектов, которые являются оценщиками.

Возвращает:
paramsdict

Имена параметров, сопоставленные с их значениями.

predict(X, return_std=False)[source]

Выполнить классификацию на тестовых векторах X.

Параметры:
Xarray-like of shape (n_samples, n_features)

Тестовые данные.

return_stdbool, default=False

Возвращать ли стандартное отклонение апостериорного предсказания. В этом случае все нули.

Добавлено в версии 0.20.

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

Предсказанные целевые значения для X.

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

Стандартное отклонение предсказательного распределения точек запроса.

score(X, y, sample_weight=None)[source]

Возвращает коэффициент детерминации R^2 предсказания.

Коэффициент R^2 определяется как (1 - u/v), где u — это остаточная сумма квадратов ((y_true - y_pred) ** 2).sum() и v — это общая сумма квадратов ((y_true - y_true.mean()) ** 2).sum(). Наилучшее возможное значение — 1.0, и оно может быть отрицательным (поскольку модель может быть произвольно хуже). Константа модель, которая всегда предсказывает ожидаемое значение y, игнорируя входные признаки, получит оценку R^2 равную 0.0.

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

Тестовые выборки. Передача None в качестве тестовых выборок дает тот же результат, что и передача реальных тестовых выборок, поскольку DummyRegressor работает независимо от выборочных 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 выборок.

Возвращает:
scorefloat

R^2 self.predict(X) относительно y.

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

Запрос метаданных, переданных методу fit.

Обратите внимание, что этот метод актуален только если enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, ознакомьтесь со Руководством пользователя о том, как работает механизм маршрутизации.

Доступные варианты для каждого параметра:

  • True: метаданные запрашиваются и передаются методу fit, если предоставлены. Запрос игнорируется, если метаданные не предоставлены.
  • False: метаданные не запрашиваются, и мета-оценщик не передаст их fit.
  • None: метаданные не запрашиваются, и мета-оценщик выдаст ошибку, если пользователь их предоставит.
  • str: метаданные должны быть переданы мета-оценщику с этим псевдонимом вместо исходного имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняется существующий запрос. Это позволяет изменить запрос для некоторых параметров, а не для всех.

Добавлен в версии 1.3.

Примечание

Этот метод актуален только если этот оценщик используется в качестве под-оценщика мета-оценщика, например, внутри Pipeline. В противном случае он не оказывает влияния.

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

Маршрутизация метаданных для параметра sample_weight в fit.

Returns:
selfobject

Обновлённый объект.

set_params(**params)[source]

Устанавливает параметры этого оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (такими как Pipeline). Последние имеют параметры вида <component>__<parameter>, чтобы можно было обновлять каждый компонент вложенного объекта.

Parameters:
**paramsdict

Параметры оценщика.

Returns:
selfэкземпляр оценщика

Экземпляр оценщика.

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

Запрос метаданных, переданных методу predict.

Обратите внимание, что этот метод актуален только если enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, ознакомьтесь со Руководством пользователя о том, как работает механизм маршрутизации.

Доступные варианты для каждого параметра:

  • True: метаданные запрашиваются и передаются методу predict, если предоставлены. Запрос игнорируется, если метаданные не предоставлены.
  • False: метаданные не запрашиваются, и мета-оценщик не передаст их predict.
  • None: метаданные не запрашиваются, и мета-оценщик выдаст ошибку, если пользователь их предоставит.
  • str: метаданные должны быть переданы мета-оценщику с этим псевдонимом вместо исходного имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняется существующий запрос. Это позволяет изменить запрос для некоторых параметров, а не для всех.

Добавлен в версии 1.3.

Примечание

Этот метод актуален только если этот оценщик используется в качестве под-оценщика мета-оценщика, например, внутри Pipeline. В противном случае он не оказывает влияния.

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

Маршрутизация метаданных для параметра return_std в predict.

Returns:
selfobject

Обновлённый объект.

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

Запрос метаданных, переданных в метод score.

Обратите внимание, что этот метод актуален только если enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, обратитесь к Руководству пользователя для получения информации о механизме маршрутизации.

Доступные варианты для каждого параметра:

  • True: метаданные запрашиваются и передаются в score, если они предоставлены. Запрос игнорируется, если метаданные не предоставлены.
  • False: метаданные не запрашиваются, и мета-оценщик не передаст их в score.
  • None: метаданные не запрашиваются, и мета-оценщик выведет ошибку, если пользователь их предоставит.
  • str: метаданные должны быть переданы мета-оценщику под этим псевдонимом вместо оригинального имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняется существующий запрос. Это позволяет изменить запрос для некоторых параметров, а не для других.

Добавлен в версии 1.3.

Примечание

Этот метод актуален только если данный оценочный элемент используется в качестве под-оценщика мета-оценщика, например, внутри Pipeline. В противном случае он не оказывает никакого влияния.

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

Маршрутизация метаданных для параметра sample_weight в score.

Returns:
selfobject

Обновленный объект.

Примеры из галереи

Регрессия Пуассона и потеря ненормального вида

Регрессия Твидди на страховых претензиях

© 2007–2025 The scikit-learn developers
Licensed under the 3-clause BSD License.
https://scikit-learn.org/1.6/modules/generated/sklearn.dummy.DummyRegressor.html

Spec-Zone.ru

Настройки Оффлайн Что нового Помощь О нас
Spec-Zone .ru
спецификации, руководства, описания, API