Python sklearn VotingRegressor用法及代码示例

本文简要介绍python语言中 sklearn.ensemble.VotingRegressor 的用法。

用法:

class sklearn.ensemble.VotingRegressor(estimators, *, weights=None, n_jobs=None, verbose=False)

未拟合估计量的预测投票回归器。

投票回归器是一个集合meta-estimator，它适合多个基本回归器，每个回归器都在整个数据集上。然后它对各个预测进行平均以形成最终预测。

在用户指南中阅读更多信息。

参数：

estimators：(str, estimator) 元组列表

在 VotingRegressor 上调用 fit 方法将适合将存储在类属性 self.estimators_ 中的那些原始估计器的克隆。可以使用 set_params 将估计器设置为 'drop' 。

weights：形状类似数组 (n_regressors,)，默认=无

权重序列(float 或 int)在平均之前对预测值的出现进行加权。如果 None 使用统一权重。

n_jobs：整数，默认=无

fit 并行运行的作业数。 None 表示 1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有处理器。有关详细信息，请参阅词汇表。

verbose：布尔，默认=假

如果为 True，则在拟合完成时将打印经过的时间。

属性：

estimators_：回归器列表

在 estimators 中定义的不是 ‘drop’ 的拟合 sub-estimators 的集合。

named_estimators_：sklearn.utils.Bunch

按名称访问任何适合的sub-estimators 的属性。

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。仅当基础估计器在合适时公开此类属性时才定义。 .. 版本添加::1.0

例子：

>>> import numpy as np
>>> from sklearn.linear_model import LinearRegression
>>> from sklearn.ensemble import RandomForestRegressor
>>> from sklearn.ensemble import VotingRegressor
>>> r1 = LinearRegression()
>>> r2 = RandomForestRegressor(n_estimators=10, random_state=1)
>>> 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)])
>>> print(er.fit(X, y).predict(X))
[ 3.3  5.7 11.8 19.7 28.  40.3]