Python sklearn MultiOutputRegressor用法及代碼示例

本文簡要介紹python語言中 sklearn.multioutput.MultiOutputRegressor 的用法。

用法:

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

多目標回歸。

該策略包括為每個目標擬合一個回歸器。這是擴展本身不支持multi-target 回歸的回歸量的簡單策略。

參數：

estimator：估計器對象

一個實現擬合和預測的估計器對象。

n_jobs：int 或無，可選(默認=無)

並行運行的作業數量。 fit 、 predict 和 partial_fit (如果傳遞的估計器支持)將為每個目標並行化。

當單個估計器快速訓練或預測時，使用n_jobs > 1 可能會由於並行開銷而導致性能下降。

None 表示 1 除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有可用的進程/線程。有關詳細信息，請參閱詞匯表。

屬性：

estimators_：n_output 估計器列表

用於預測的估計器。

n_features_in_：int

擬合期間看到的特征數。僅當底層 estimator 在合適時公開此類屬性時才定義。

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。

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...]])