Python sklearn RegressorChain用法及代码示例

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

用法:

class sklearn.multioutput.RegressorChain(base_estimator, *, order=None, cv=None, random_state=None)

将回归安排成链的多标签模型。

每个模型使用提供给模型的所有可用特征加上链中较早模型的预测，按照链指定的顺序进行预测。

在用户指南中阅读更多信息。

参数：

base_estimator：估计器

构建分类器链的基本估计器。

order：形状类似数组 (n_outputs,) 或 ‘random’，默认=无

如果 None ，则顺序将由标签矩阵 Y 中的列顺序决定：

order = [0, 1, 2, ..., Y.shape[1] - 1]

可以通过提供整数列表来显式设置链的顺序。例如，对于长度为 5 的链：

order = [1, 3, 2, 4, 0]

意味着链中的第一个模型将对 Y 矩阵中的第 1 列进行预测，第二个模型将对第 3 列进行预测，依此类推。

如果 order 为 ‘random’，将使用随机排序。

cv：int，交叉验证生成器或可迭代的，默认=无

确定是否对链中先前估计器的结果使用交叉验证的预测或真实标签。 cv 的可能输入是：

• 无，在拟合时使用真实标签，
• 整数，指定(分层)KFold 中的折叠数，
• CV分配器，
• 一个可迭代的 yield (train, test) 拆分为索引数组。

random_state：int、RandomState 实例或无，可选(默认=无)

如果 order='random' ，则确定链顺序的随机数生成。此外，它还控制每次链接迭代时每个 base_estimator 给出的随机种子。因此，仅当 base_estimator 公开 random_state 时才使用它。传递 int 以在多个函数调用之间实现可重现的输出。请参阅术语表。

属性：

estimators_：列表

base_estimator 的克隆列表。

order_：列表

分类器链中标签的顺序。

n_features_in_：int

拟合期间看到的特征数。仅当底层 base_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 X 具有全为字符串的函数名称时才定义。

例子：

>>> from sklearn.multioutput import RegressorChain
>>> from sklearn.linear_model import LogisticRegression
>>> logreg = LogisticRegression(solver='lbfgs',multi_class='multinomial')
>>> X, Y = [[1, 0], [0, 1], [1, 1]], [[0, 2], [1, 1], [2, 0]]
>>> chain = RegressorChain(base_estimator=logreg, order=[0, 1]).fit(X, Y)
>>> chain.predict(X)
array([[0., 2.],
       [1., 1.],
       [2., 0.]])