Python sklearn VotingRegressor用法及代碼示例

本文簡要介紹python語言中 sklearn.ensemble.VotingRegressor 的用法。

用法:

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

未擬合估計量的預測投票回歸器。

投票回歸器是一個集合meta-estimator，它適合多個基本回歸器，每個回歸器都在整個數據集上。然後它對各個預測進行平均以形成最終預測。

在用戶指南中閱讀更多信息。

參數：

estimators：(str, estimator) 元組列表

在 VotingRegressor 上調用 fit 方法將適合將存儲在類屬性 self.estimators_ 中的那些原始估計器的克隆。可以使用 set_params 將估計器設置為 'drop' 。

weights：形狀類似數組 (n_regressors,)，默認=無

權重序列(float 或 int)在平均之前對預測值的出現進行加權。如果 None 使用統一權重。

n_jobs：整數，默認=無

fit 並行運行的作業數。 None 表示 1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有處理器。有關詳細信息，請參閱詞匯表。

verbose：布爾，默認=假

如果為 True，則在擬合完成時將打印經過的時間。

屬性：

estimators_：回歸器列表

在 estimators 中定義的不是 ‘drop’ 的擬合 sub-estimators 的集合。

named_estimators_：sklearn.utils.Bunch

按名稱訪問任何適合的sub-estimators 的屬性。

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。僅當基礎估計器在合適時公開此類屬性時才定義。 .. 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]