Python sklearn TransformedTargetRegressor用法及代碼示例

本文簡要介紹python語言中 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 在轉換後的目標上回歸。

對於在回歸問題中對目標y 應用非線性變換很有用。此轉換可以作為 Transformer 給出，例如 QuantileTransformer 或作為函數及其逆函數，例如 np.log 和 np.exp 。

fit期間的計算為：

regressor.fit(X, func(y))

或者：

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

predict期間的計算為：

inverse_func(regressor.predict(X))

或者：

transformer.inverse_transform(regressor.predict(X))

在用戶指南中閱讀更多信息。

參數：

regressor：對象，默認=無

回歸量對象，例如派生自 RegressorMixin 。每次擬合之前都會自動克隆該回歸量。如果 regressor is None ，則創建並使用 LinearRegression 。

transformer：對象，默認=無

估計器對象，例如派生自 TransformerMixin 。不能與 func 和 inverse_func 同時設置。如果 transformer is None 以及 func 和 inverse_func ，則轉換器將是一個身份轉換器。請注意，轉換器將在擬合期間被克隆。此外，轉換器將 y 限製為 numpy 數組。

func：函數，默認=無

在傳遞到 fit 之前應用於 y 的函數。不能與 transformer 同時設置。該函數需要返回一個二維數組。如果是 func is None ，則使用的函數將是恒等函數。

inverse_func：函數，默認=無

應用於回歸量預測的函數。不能與 transformer 同時設置。該函數需要返回一個二維數組。逆函數用於將預測返回到原始訓練標簽的相同空間。

check_inverse：布爾，默認=真

是否檢查 transform 後跟 inverse_transform 或 func 後跟 inverse_func 是否導致原始目標。

屬性：

regressor_：對象

擬合回歸器。

transformer_：對象

fit 和 predict 中使用的轉換器。

n_features_in_int

擬合期間看到的特征數。

feature_names_in_：ndarray 形狀(n_features_in_，)

擬合期間看到的特征名稱。僅當 X 具有全為字符串的函數名稱時才定義。

注意：

在內部，目標y 始終轉換為二維數組以供scikit-learn 轉換器使用。在預測時，輸出將被重新整形為具有與 y 相同的維數。

請參閱示例/撰寫/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.])