VotingRegressor

classsklearn.ensemble.VotingRegressor(estimators, *, weights=None, n_jobs=None, verbose=False)[source]

Регрессор голосования для неустановленных оценок.

Регрессор голосования — это мета-оценщик ансамбля, который подгоняет несколько базовых регрессоров, каждый к всему набору данных. Затем он усредняет отдельные прогнозы, чтобы сформировать окончательный прогноз.

Для подробного примера см. График прогнозов индивидуальной и голосующей регрессии.

Дополнительную информацию см. в Руководстве пользователя.

Добавлен в версии 0.21.

Параметры:

estimatorsсписок кортежей (строка, оценщик)

Вызов метода fit для VotingRegressor приведет к подгонке клонов исходных оценщиков, которые будут сохранены в атрибуте класса self.estimators_. Оценщик может быть установлен в 'drop' с помощью set_params.

Изменено в версии 0.21: 'drop' принимается. Использование None было устаревшим в 0.22 и поддержка была удалена в 0.24.

weightsмассив-подобный формы (n_regressors,), по умолчанию=None

Последовательность весов (float или int) для взвешивания появлений предсказанных значений перед усреднением. Использует равные веса, если None.

n_jobsцелое число, по умолчанию=None

Количество задач, которые нужно запустить параллельно для fit. None означает 1, если не в контексте joblib.parallel_backend. -1 означает использование всех процессоров. Подробнее см. в Справочнике.

verbosebool, по умолчанию=False

Если True, время, затраченное на подгонку, будет выводиться по мере завершения.

Добавлен в версии 0.23.

Атрибуты:

estimators_список регрессоров

Коллекция подогнанных под-оценщиков, как определено в estimators что не «drop».

named_estimators_Bunch

Атрибут для доступа к любым подогнанным под-оценщикам по имени.

Добавлен в версии 0.20.

n_features_in_целое число

Количество признаков, увиденных во время fit.

feature_names_in_массив формы (n_features_in_,)

Имена признаков, увиденных во время fit. Определены только в том случае, если базовые оценщики экспонируют такой атрибут во время подгонки.

Добавлен в версии 1.0.

См. также

VotingClassifier

Классификатор с мягким голосованием/большинством.

Примеры

>>> import numpy as np
>>> from sklearn.linear_model import LinearRegression
>>> from sklearn.ensemble import RandomForestRegressor
>>> from sklearn.ensemble import VotingRegressor
>>> from sklearn.neighbors import KNeighborsRegressor
>>> r1 = LinearRegression()
>>> r2 = RandomForestRegressor(n_estimators=10, random_state=1)
>>> r3 = KNeighborsRegressor()
>>> X = np.array([[1, 1], [2, 4], [3, 9], [4, 16], [5, 25], [6, 36]])
>>> y = np.array([2, 6, 12, 20, 30, 42])
>>> er = VotingRegressor([('lr', r1), ('rf', r2), ('r3', r3)])
>>> print(er.fit(X, y).predict(X))
[ 6.8...  8.4... 12.5... 17.8... 26...  34...]

В следующем примере мы удаляем 'lr' оценщик с set_params и подгоняем оставшиеся две оценки:

>>> er = er.set_params(lr='drop')
>>> er = er.fit(X, y)
>>> len(er.estimators_)
2

fit(X, y, *, sample_weight=None, **fit_params)[source]

Подгонка оценщиков.

Параметры:

X{массив-подобный, разреженная матрица} формы (n_samples, n_features)

Вектора обучения, где n_samples — количество примеров, а n_features — количество признаков.

yмассив-подобный формы (n_samples,)

Целевые значения.

sample_weightмассив-подобный формы (n_samples,), по умолчанию=None

Веса примеров. Если None, то образцы имеют равный вес. Обратите внимание, что это поддерживается только если все основанные оценщики поддерживают веса образцов.

**fit_paramsсловарь

Параметры для передачи базовым оценщикам.

Добавлен в версии 1.5: Доступен только если enable_metadata_routing=True, что можно установить с помощью sklearn.set_config(enable_metadata_routing=True). Подробнее см. Руководство пользователя по маршрутизации метаданных.

Возвращает:

selfобъект

Подогнанный оценщик.

fit_transform(X, y=None, **fit_params)[source]

Возвращает метки классов или вероятности для каждого оценщика.

Возвращает прогнозы для X для каждого оценщика.

Параметры:

X{массив-подобный, разреженная матрица, фрейм данных} формы (n_samples, n_features)

Входные образцы.

yмассив формы (n_samples,), по умолчанию=None

Целевые значения (None для безконтрольных преобразований).

**fit_paramsсловарь

Дополнительные параметры подгонки.

Возвращает:

X_newмассив формы (n_samples, n_features_new)

Преобразованный массив.

get_feature_names_out(input_features=None)[source]

Получение имен выходных признаков для преобразования.

Параметры:

input_featuresмассив-подобный из str или None, по умолчанию=None

Не используется, присутствует здесь для согласованности API по соглашению.

Возвращает:

feature_names_outмассив str объектов

Преобразованные имена признаков.

get_metadata_routing()[source]

Получение маршрутизации метаданных этого объекта.

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

Добавлен в версии 1.5.

Возвращает:

routingMetadataRouter

A MetadataRouter encapsulating routing information.

get_params(deep=True)[source]

Получить параметры оценщика из ансамбля.

Возвращает параметры, заданные в конструкторе, а также оценщики, содержащиеся в параметре estimators.

Параметры:

deepbool, по умолчанию=True

Установив его в значение True, получаются различные оценщики и параметры оценщиков.

Возвращает:

paramsdict

Параметры и имена оценщиков, сопоставленные с их значениями, или имена параметров, сопоставленные со значениями.

propertyn_features_in_

Количество признаков, увиденных во время fit.

propertynamed_estimators

Словарь для доступа к любым обученным под-оценщикам по имени.

Возвращает:

Bunch

predict(X)[source]

Предсказать целевую переменную регрессии для X.

Предсказанное значение целевой переменной регрессии для входного образца вычисляется как среднее предсказанных значений целевой переменной регрессии оценщиков в ансамбле.

Параметры:

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

Входные образцы.

Возвращает:

yndarray формы (n_samples,)

Предсказанные значения.

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

Возвращает коэффициент детерминации предсказания.

Коэффициент детерминации \(R^2\) определяется как \((1 - \frac{u}{v})\), где \(u\) — остаточная сумма квадратов ((y_true - y_pred)** 2).sum(), а \(v\) — общая сумма квадратов ((y_true - y_true.mean()) ** 2).sum(). Лучшее возможное значение равно 1.0, и оно может быть отрицательным (потому что модель может быть произвольно хуже). Постоянная модель, которая всегда предсказывает ожидаемое значение y, игнорируя входные признаки, получит значение \(R^2\) равное 0.0.

Параметры:

Xarray-like формы (n_samples, n_features)

Тестовые образцы. Для некоторых оценщиков это может быть предварительно вычисленная матрица ядер или список общих объектов вместо с формой (n_samples, n_samples_fitted), где n_samples_fitted — количество образцов, используемых в процессе обучения оценщика.

yarray-like формы (n_samples,) или (n_samples, n_outputs)

Истинные значения для X.

sample_weightarray-like формы (n_samples,), по умолчанию=None

Веса образцов.

Возвращает:

scorefloat

\(R^2\) для self.predict(X) по отношению к y.

Примечания

Значение \(R^2\), используемое при вызове score для регрессора, использует multioutput='uniform_average' начиная с версии 0.23 для сохранения согласованности с параметром по умолчанию r2_score. Это влияет на метод score всех регрессоров с несколькими выходными переменными (кроме MultiOutputRegressor).

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

Запрос метаданных, передаваемых методу fit.

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 том, как работает механизм маршрутизации.

Доступные варианты для каждого параметра:

• True: метаданные запрашиваются и передаются в fit при наличии. 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 передаваться в мета-оценщик с указанным псевдонимом вместо оригинального имени.

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

Добавлена 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.

Параметры:

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

Маршрутизация метаданных для параметра sample_weight в fit.

Возвращает:

selfobject

Обновленный объект.

set_output(*, transform=None)[source]

Установить контейнер вывода.

См. Представление API set_output для примера использования API.

Параметры:

transform{“default”, “pandas”, “polars”}, default=None

Настройка вывода transform и fit_transform.

• "default": Формат вывода по умолчанию для преобразователя
• "pandas": Вывод в виде DataFrame
• "polars": Вывод в формате Polars
• None: Настройка преобразования не изменена

Добавлен в версии 1.4: "polars" вариант был добавлен.

Возвращаемое значение:

selfэкземпляр оценщика

Экземпляр оценщика.

set_params(**params)[source]

Установить параметры оценщика из ансамбля.

Список допустимых ключей параметров можно получить с помощью get_params(). Обратите внимание, что вы можете напрямую установить параметры оценщиков, содержащихся в estimators.

Параметры:

**paramsпараметры в виде ключевых слов

Конкретные параметры, например, set_params(parameter_name=new_value). Кроме того, для установки параметров оценщика, также можно установить индивидуальные параметры оценщиков, или удалить их, установив значение ‘drop’.

Возвращаемое значение:

selfобъект

Экземпляр оценщика.

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

Запрос метаданных, передаваемых методу score. Обратите внимание, что этот метод актуален только если enable_metadata_routing=True (см. sklearn.set_config). См. Руководство пользователя о том, как работает механизм маршрутизации.

Варианты для каждого параметра:

• True: метаданные запрашиваются и передаются score, если они предоставлены. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и мета-оценщик не передаст их score.
• None: метаданные не запрашиваются, и мета-оценщик выдаст ошибку, если пользователь предоставит их.
• str: метаданные должны передаваться мета-оценщику с данным алиасом 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 этот оценщик используется в качестве под-оценщика мета-оценщика, например, внутри Pipeline. В противном случае он не оказывает никакого влияния.

Параметры:

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

Маршрутизация метаданных для параметра sample_weight в score.

Возвращаемое значение:

selfобъект

Обновленный объект.

transform(X)[source]

Возвращает предсказания для X для каждого оценщика.

Параметры:

X{array-like, sparse matrix} of shape (n_samples, n_features)

Входные данные.

Возвращаемое значение:

predictionsndarray of shape (n_samples, n_classifiers)

Значения, предсказанные каждым регрессором.

Примеры галереи

Построение предсказаний отдельных и усреднённых регрессий