sklearn.dummy.DummyRegressor?
class sklearn.dummy.DummyRegressor(*, strategy='mean', constant=None, quantile=None)
DummyRegressor是一種使用簡單規則進行預測的回歸工具。
這個回歸變量作為與其他(真實)回歸變量進行比較的簡單基線非常有用。不要用它來解決真正的問題。
在用戶指南中閱讀更多內容。
新版本0.13。
| 參數 | 說明 |
|---|---|
| strategy | str 用來產生預測的策略。 “mean”:總是預測訓練集的均值 “中值”:總是預測訓練集的中值 “分位數”:總是預測訓練集的指定分位數，并提供分位數參數。 “常量”:總是預測用戶提供的常量值。 |
| constant | int or float or array-like of shape (n_outputs,) 由“常數”策略預測的顯式常數。這個參數只對“常量”策略有用。 |
| quantile | float in [0.0, 1.0] 使用“分位數”策略預測的分位數。分位數0.5對應中位數，最小值為0.0，最大值為1.0。 |
| 屬性 | 說明 |
|---|---|
| constant_ | array, shape (1, n_outputs) 訓練目標的平均值、中位數、分位數或用戶給定的常數值。 |
| n_outputs_ | int, 數量的輸出。 |
示例
>>> import numpy as np
>>> from sklearn.dummy import DummyRegressor
>>> X = np.array([1.0, 2.0, 3.0, 4.0])
>>> y = np.array([2.0, 3.0, 5.0, 10.0])
>>> dummy_regr = DummyRegressor(strategy="mean")
>>> dummy_regr.fit(X, y)
DummyRegressor()
>>> dummy_regr.predict(X)
array([5., 5., 5., 5.])
>>> dummy_regr.score(X, y)
0.0
Methods
| 方法 | 說明 |
|---|---|
fit(self, X, y[, sample_weight]) |
擬合隨機回歸。 |
get_params(self[, deep]) |
獲取這個估計器的參數。 |
predict(self, X[, return_std]) |
對測試向量X進行分類。 |
score(self, X, y[, sample_weight]) |
返回預測的決定系數R^2。 |
set_params(self, **params) |
設置這個估計器的參數。 |
__init__(self, *, strategy='mean', constant=None, quantile=None)
初始化self. See 請參閱help(type(self))以獲得準確的說明 。
fit(self, X, y, sample_weight=None)
擬合隨機回歸。
| 參數 | 說明 |
|---|---|
| X | {array-like, object with finite length or shape} 訓練數據，要求length = n_samples |
| y | array-like of shape (n_samples,) or (n_samples, n_outputs) 目標的價值。 |
| sample_weight | array-like of shape (n_samples,), default=None 樣本權重。 |
| 返回值 | 說明 |
|---|---|
| self | object |
get_params(self, deep=True)
獲取這個估計器的參數。
| 參數 | 說明 |
|---|---|
| deep | bool, default=True 如果為真，將返回此估計器的參數以及包含的作為估計器的子對象。 |
| 返回值 | 說明 |
|---|---|
| params | mapping of string to any 參數名稱映射到它們的值。 |
predict(self, X, return_std=False)
對測試向量X進行分類。
| 參數 | 說明 |
|---|---|
| X | {array-like, object with finite length or shape} 訓練數據，要求length = n_samples |
| return_std | boolean, optional 是否返回后驗預測的標準差。這里都是0。 新版本0.20。 |
| 返回值 | 說明 |
|---|---|
| y | array-like of shape (n_samples,) or (n_samples, n_outputs) X的預測目標值。 |
| y_std | array-like of shape (n_samples,) or (n_samples, n_outputs) 查詢點預測分布的標準差。 |
score(self, X, y, sample_weight=None)
返回預測的決定系數R^2。
定義系數R^2為(1 - u/v)，其中u為(y_true - y_pred) ** 2).sum()的殘差平方和，v為(y_true - y_true.mean()) ** 2).sum()的平方和。最好的可能的分數是1.0，它可能是負的(因為模型可以任意地更糟)。常數模型總是預測y的期望值，而不考慮輸入特征，得到的R^2得分為0.0。
| 參數 | 說明 |
|---|---|
| X | {array-like, None} 使用shape = (n_samples, n_features)或None測試樣本。對于某些估計器，這可能是一個預先計算的核矩陣，形狀= (n_samples, n_samples_fitting]，其中n_samples_fitting是用于擬合估計器的樣本數量。由于DummyRegressor的操作獨立于采樣的觀察結果，所以通過測試樣本的結果與通過真實測試樣本的結果是一樣的。 |
| y | array-like of shape (n_samples,) or (n_samples, n_outputs) X的真值。 |
| sample_weight | array-like of shape (n_samples,), default=None 樣本權重。 |
| 返回值 | 說明 |
|---|---|
| score | float self.predict(X) 與y的R2。 |
set_params(self, **params)
設置這個估計器的參數。
該方法適用于簡單估計量和嵌套對象。后者具有形式為<component>_<parameter>的參數，這樣就讓更新嵌套對象的每個組件成為了可能。
| 參數 | 說明 |
|---|---|
| **params | dict 估計器參數。 |
| 返回值 | 說明 |
|---|---|
| self | object 估計實例。 |
