Python sklearn MultiOutputRegressor用法及代码示例

本文简要介绍python语言中 sklearn.multioutput.MultiOutputRegressor 的用法。

用法:

class sklearn.multioutput.MultiOutputRegressor(estimator, *, n_jobs=None)

多目标回归。

该策略包括为每个目标拟合一个回归器。这是扩展本身不支持multi-target 回归的回归量的简单策略。

参数：

estimator：估计器对象

一个实现拟合和预测的估计器对象。

n_jobs：int 或无，可选(默认=无)

并行运行的作业数量。 fit 、 predict 和 partial_fit (如果传递的估计器支持)将为每个目标并行化。

当单个估计器快速训练或预测时，使用n_jobs > 1 可能会由于并行开销而导致性能下降。

None 表示 1 除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有可用的进程/线程。有关详细信息，请参阅词汇表。

属性：

estimators_：n_output 估计器列表

用于预测的估计器。

n_features_in_：int

拟合期间看到的特征数。仅当底层 estimator 在合适时公开此类属性时才定义。

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。

例子：

>>> import numpy as np
>>> from sklearn.datasets import load_linnerud
>>> from sklearn.multioutput import MultiOutputRegressor
>>> from sklearn.linear_model import Ridge
>>> X, y = load_linnerud(return_X_y=True)
>>> regr = MultiOutputRegressor(Ridge(random_state=123)).fit(X, y)
>>> regr.predict(X[[0]])
array([[176..., 35..., 57...]])