Python sklearn TransformedTargetRegressor用法及代码示例

本文简要介绍python语言中 sklearn.compose.TransformedTargetRegressor 的用法。

用法:

class sklearn.compose.TransformedTargetRegressor(regressor=None, *, transformer=None, func=None, inverse_func=None, check_inverse=True)

Meta-estimator 在转换后的目标上回归。

对于在回归问题中对目标y 应用非线性变换很有用。此转换可以作为 Transformer 给出，例如 QuantileTransformer 或作为函数及其逆函数，例如 np.log 和 np.exp 。

fit期间的计算为：

regressor.fit(X, func(y))

或者：

regressor.fit(X, transformer.transform(y))

predict期间的计算为：

inverse_func(regressor.predict(X))

或者：

transformer.inverse_transform(regressor.predict(X))

在用户指南中阅读更多信息。

参数：

regressor：对象，默认=无

回归量对象，例如派生自 RegressorMixin 。每次拟合之前都会自动克隆该回归量。如果 regressor is None ，则创建并使用 LinearRegression 。

transformer：对象，默认=无

估计器对象，例如派生自 TransformerMixin 。不能与 func 和 inverse_func 同时设置。如果 transformer is None 以及 func 和 inverse_func ，则转换器将是一个身份转换器。请注意，转换器将在拟合期间被克隆。此外，转换器将 y 限制为 numpy 数组。

func：函数，默认=无

在传递到 fit 之前应用于 y 的函数。不能与 transformer 同时设置。该函数需要返回一个二维数组。如果是 func is None ，则使用的函数将是恒等函数。

inverse_func：函数，默认=无

应用于回归量预测的函数。不能与 transformer 同时设置。该函数需要返回一个二维数组。逆函数用于将预测返回到原始训练标签的相同空间。

check_inverse：布尔，默认=真

是否检查 transform 后跟 inverse_transform 或 func 后跟 inverse_func 是否导致原始目标。

属性：

regressor_：对象

拟合回归器。

transformer_：对象

fit 和 predict 中使用的转换器。

n_features_in_int

拟合期间看到的特征数。

feature_names_in_：ndarray 形状(n_features_in_，)

拟合期间看到的特征名称。仅当 X 具有全为字符串的函数名称时才定义。

注意：

在内部，目标y 始终转换为二维数组以供scikit-learn 转换器使用。在预测时，输出将被重新整形为具有与 y 相同的维数。

请参阅示例/撰写/plot_transformed_target.py。

例子：

>>> import numpy as np
>>> from sklearn.linear_model import LinearRegression
>>> from sklearn.compose import TransformedTargetRegressor
>>> tt = TransformedTargetRegressor(regressor=LinearRegression(),
...                                 func=np.log, inverse_func=np.exp)
>>> X = np.arange(4).reshape(-1, 1)
>>> y = np.exp(2 * X).ravel()
>>> tt.fit(X, y)
TransformedTargetRegressor(...)
>>> tt.score(X, y)
1.0
>>> tt.regressor_.coef_
array([2.])