sklearn.tree.ExtraTreeRegressor?

class sklearn.tree.ExtraTreeRegressor(*, criterion='mse', splitter='random', max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features='auto', random_state=None, min_impurity_decrease=0.0, min_impurity_split=None, max_leaf_nodes=None, ccp_alpha=0.0)

[源碼]

極端隨機回歸樹

極端隨機樹與傳統的決策樹在構建方式上有所不同。當尋找將節點的樣本分成兩組的最佳分割時，將對隨機選擇的max_features中的每個特征進行隨機分割，并選擇其中的最佳分割。當 max_features設置為1時，這等于建立一個完全隨機的決策樹。

注意：極端隨機數只能在集成方法中使用

在用戶指南中閱讀更多內容

參數	說明
criterion	{“mse”, “friedman_mse”, “mae”}, default=”mse” 該函數用來測量分割的質量 - mse：表示均方誤差 - friedman_mse: 均方誤差等于方差減少作為特征選擇準則 - mae: 表示絕對誤差新版本0.18:平均絕對誤差(MAE)標準
splitter	{“random”, “best”}, default=”random” 用于在每個節點選擇分割的策略 - best：最佳分割 - random：最佳隨機分割默認是random
max_depth	int, default=None 樹的最大深度如果為None，則將節點展開，直到所有葉子都是純凈的，或者直到所有葉子都包含少于min_samples_split個樣本默認為None
min_samples_split	int or float, default=2 分割一個內部節點所需的最小樣本數 - int：如果是int，則考慮min_samples_split作為最小值 - float：如果是float，那么min_samples_split是一個分數，而ceil(min_samples_split * n_samples)是每個分割的最小樣本數。默認值為：2 在0.18版本中更改:增加了分數的浮點值。
min_samples_leaf	int or float, default=1 一個葉節點上所需的最小樣本數。只有當它在每個左右分支中都留下至少min_samples_leaf訓練樣本時，任何深度的分割點才會被考慮。這可能會產生平滑模型的效果，特別是在回歸中。 int：如果是int，則考慮min_samples_leaf作為最小值 float：如果是float，那么min_samples_leaf是一個分數，而ceil(min_samples_leaf * n_samples)是每個節點的最小樣本數在0.18版本中更改:增加了分數的浮點值
min_weight_fraction_leaf	float, default=0.0 在所有葉節點處（所有輸入樣本）的權重總和中的最小加權分數。如果未提供sample_weight，則樣本的權重相等。
max_features	int, float, {“auto”, “sqrt”, “log2”} or None, default=”auto” 尋找最佳分割時要考慮的特性數量 - int：如果是int，則考慮每個分割處的max_features特性 - float：如果是float，那么max_features是一個分數，并且int(max_features * n_features) features會在每次分割時被考慮 - auto：如果是auto，則max_features=n_features - sqrt：如果是“sqrt”，則max_features=sqrt(n_features) - log2：如果“log2”，則max_features=log2(n_features) - None：如果None, then max_features=n_features 默認是auto 注意:在找到節點樣本的至少一個有效分區之前，對分割的搜索不會停止，即使它需要有效地檢查超過max_features的特性。
random_state	int, RandomState instance, default=None 用于隨機選擇每次分割時使用的max_features。有關詳細信息,請參見詞匯表
min_impurity_decrease	float, default=0.0 如果節點分裂會導致雜質的減少大于或等于該值，則該節點將被分裂加權雜質減少方程如下： N_t / N * ( impurity - N_t_R / N_t * right_impurity - N_t_L / N_t * left_impurity ) 其中N為樣本總數，N_t為當前節點的樣本數，N_t_L為左子節點的樣本數，N_t_R為右子節點的樣本數。如果sample_weight被傳遞，N、N_t、N_t_R和N_t_L都指向加權和。新版本為0.19
min_impurity_split	float, (default=0) 最小雜質分裂，如果節點的雜質高于閾值，則該節點將分裂，否則為葉。注意：從版本0.19開始被棄用: min_impurity_split在0.19中被棄用，轉而支持min_impurity_decrease。min_impurity_split的默認值在0.23中從1e-7更改為0，在0.25中將被刪除。使用min_impurity_decrease代替。
max_leaf_nodes	int, default=None 以最佳優先的方式生成具有max_leaf_nodes的樹。最佳節點定義為雜質的相對減少。如果為None，則葉節點數不受限制。
ccp_alpha	non-negative float, default=0.0 復雜度參數用于最小代價復雜度剪枝。具有最大成本復雜度的子樹小于`ccp_alpha`所選擇的子樹。默認情況下，不執行修剪。有關詳細信息，請參見最小化成本-復雜性修剪。

屬性	說明
max_features_	int max_features的推斷值
n_features_	int 執行fit時的特征數
feature_importances_	ndarray of shape (n_features,) 返回特性的重要性
n_outputs_	int `fit`執行時的輸出數量
tree_	Tree 基礎的Tree對象。`help(sklearn.tree._tree.Tree)`有關樹對象的屬性，請參閱，有關這些屬性的基本用法，請參閱決策樹的結構。

另見

ExtraTreeClassifier

sklearn.ensemble.ExtraTreesClassifier

sklearn.ensemble.ExtraTreesRegressor

注釋

控制樹（例如max_depth，min_samples_leaf等）大小的參數的默認值會導致樹的完全生長和未修剪，這在某些數據集上可能非常大。為了減少內存消耗，應通過設置這些參數值來控制樹的復雜性和大小。

參考文獻：

P. Geurts, D. Ernst., and L. Wehenkel, “Extremely randomized trees”, Machine Learning, 63(1), 3-42, 2006.（D.恩斯特。和L. Wehenkel，“極隨機化樹”，機器學習，63(1)，3- 42,2006。）

例子：

>>> from sklearn.datasets import load_diabetes
>>> from sklearn.model_selection import train_test_split
>>> from sklearn.ensemble import BaggingRegressor
>>> from sklearn.tree import ExtraTreeRegressor
>>> X, y = load_diabetes(return_X_y=True)
>>> X_train, X_test, y_train, y_test = train_test_split(
...     X, y, random_state=0)
>>> extra_tree = ExtraTreeRegressor(random_state=0)
>>> reg = BaggingRegressor(extra_tree, random_state=0).fit(
...     X_train, y_train)
>>> reg.score(X_test, y_test)
0.33...

方法：

方法	說明
`apply`(X[, check_input])	返回每個樣本預測為的葉的索引
`cost_complexity_pruning_path`(X, y[, …])	在最小代價復雜度剪枝過程中計算剪枝路徑
`decision_path`(X[, check_input])	返回樹中的決策路徑
`fit`(X, y[, sample_weight, check_input, …])	從訓練集(X, y)構建決策樹回歸器
`get_depth`()	返回決策樹的深度
`get_n_leaves`()	返回決策樹的葉節點數
`get_params`([deep])	獲取這個估計器的參數
`predict`(X[, check_input])	預測X的類或回歸值
`score`(X, y[, sample_weight])	返回預測的決定系數R^2
`set_params`(**params)	設置這個估計器的參數

__init__(*, criterion='mse', splitter='random', max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features='auto', random_state=None, min_impurity_decrease=0.0, min_impurity_split=None, max_leaf_nodes=None, ccp_alpha=0.0)

源碼

初始化self。請參閱help(type(self))以獲得準確的說明

apply(X, check_input=True)

源碼

返回每個樣本預測為葉子的索引

參數	說明
X	{array-like, sparse matrix} of shape (n_samples, n_features) 樣本數據
check_input	bool, default=True 允許繞過幾個輸入檢查。除非您知道自己在做什么，否則不要使用此參數。

返回值	說明
X_leaves	array-like of shape (n_samples,) 對于x中的每個數據點x，返回葉子x的索引。葉片編號在[0; self.tree_.node_count)，可能在編號中帶有空值

cost_complexity_pruning_path(X, y, sample_weight=None)

源碼

在最小代價復雜度剪枝過程中計算剪枝路徑

有關修剪過程的詳細信息，請參見最小成本復雜性修剪。

參數	說明
X	{array-like, sparse matrix} of shape (n_samples, n_features) 訓練樣本數據
y	array-like of shape (n_samples,) or (n_samples, n_outputs) 目標值(類標簽)為整數或字符串
sample_weight	array-like of shape (n_samples,), default=None 樣本權重。如果為None，則對樣本進行平均加權。在每個節點中搜索拆分時，將忽略創建凈凈值為零或負權重的子節點的拆分。如果拆分會導致任何單個類在任一子節點中都負負重，則也將忽略拆分。

返回值	說明
ccp_path	`Bunch` 類字典的對象
ccp_alphas	ndarray 修剪過程中子樹的有效阿爾法值
impurities	ndarray `ccp_alphas`中對應alpha值的子樹葉子的雜質之和。

decision_path(X, check_input=True)

源碼

返回樹中的決策路徑

參數	說明
X	{array-like, sparse matrix} of shape (n_samples, n_features) 樣本數據
check_input	bool, default=True 允許繞過幾個輸入檢查。除非您知道自己在做什么，否則不要使用此參數。

返回值	說明
indicator	sparse matrix of shape (n_samples, n_nodes) 返回一個節點指示器CSR矩陣，其中非零元素表示樣本經過節點。

property feature_importances_

返回特征的重要性

特征的重要性計算為該特征帶來的標準的（標準化）總縮減。這也被稱為基尼重要性。

注意: 基于雜質的特征重要性可能會誤導高基數特征（許多唯一值）。另見 sklearn.inspection.permutation_importance。

返回值	說明
feature_importances_	ndarray of shape (n_features,) 按功能對標準的總歸約化進行歸一化（基尼重要性）

fit(X, y, sample_weight=None, check_input=True, X_idx_sorted=None)

源碼

從訓練集(X, y)構建決策樹回歸器

參數	說明
X	{array-like, sparse matrix} of shape (n_samples, n_features) 訓練樣本
y	array-like of shape (n_samples,) or (n_samples, n_outputs) 目標值(真實數字)
sample_weight	array-like of shape (n_samples,), default=None 樣本的權重，如果為None，則對樣本進行平均加權。在每個節點中搜索拆分時，將忽略創建凈凈值為零或負權重的子節點的拆分。
check_input	bool, default=True 允許繞過幾個輸入檢查。除非您知道自己在做什么，否則不要使用此參數。
X_idx_sorted	array-like of shape (n_samples, n_features), default=None 如果在同一數據集上生長了許多樹，則可以在樹之間緩存順序。如果為None，則將在此處對數據進行排序。除非您知道要做什么，否則不要使用此參數。

返回值	說明
self	DecisionTreeRegressor 擬合估計器

get_depth()

源碼

返回決策樹的深度

樹的深度是根和葉子之間的最大距離

返回值	說明
self.tree_.max_depth	int 樹的最大深度

get_n_leaves()

源碼

返回決策樹的葉節點數

返回值	說明
self.tree_.n_leaves	int 葉子的數量

get_params(deep=True)

源碼

獲取這個估計器的參數

參數	說明
deep	bool, default=True 如果為True，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(X, check_input=True)

源碼

預測X的類或回歸值

對于分類模型，返回X中每個樣本的預測類。對于回歸模型，返回基于X的預測值。

參數	說明
X	{array-like, sparse matrix} of shape (n_samples, n_features) 樣本數據
check_input	bool, default=True 允許繞過幾個輸入檢查。除非您知道自己在做什么，否則不要使用此參數

返回值	說明
y	array-like of shape (n_samples,) or (n_samples, n_outputs) 預測的類，或預測的值

score(X, y, sample_weight=None)

源碼

返回預測的決定系數R^2

參數	說明
X	array-like of shape (n_samples, n_features) 測試樣本
y	array-like of shape (n_samples,) or (n_samples, n_outputs) X的真實值
sample_weight	array-like of shape (n_samples,), default=None 樣本權重

返回值	說明
score	float R^2 of self.predict(X) wrt. y.

注釋：

調用score回歸器時使用的R2得分multioutput='uniform_average'從0.23版本開始使用，以與默認值保持一致r2_score。這會影響score所有多輸出回歸變量的方法（MultiOutputRegressor除外）

set_params(**params)

源碼

設置此估算器的參數

該方法適用于簡單的估計器以及嵌套對象（例如管道）

參數	說明
**params	dict 估算器參數

返回值	說明
self	object 估算器實例