回归目标#

所有回归目标的基类。

模块内容#

类摘要#

回归目标

所有回归目标的基类。

内容#

class evalml.objectives.regression_objective.RegressionObjective[来源]#

所有回归目标的基类。

属性

问题类型

[问题类型.回归, 问题类型.时间序列回归, 问题类型.多元时间序列回归]

方法

`计算百分比差异`	计算分数之间的百分比差异。
`预期范围`	返回目标的预期范围，不一定是可能的范围。
`越大越好`	返回一个布尔值，表示分数越大是否表明模型性能越好。
`是否像百分比一样有界`	返回此目标是否介于 0 到 1 之间（含）有界。
`是否针对问题类型定义`	返回某个目标是否针对某种问题类型定义。
`名称`	返回描述目标的名称。
`目标函数`	根据指定的指标，计算提供的预测与实际标签相比的相对值。
`完美分数`	返回通过在完美模型上评估此目标获得的分数。
`仅限正值`	如果为 True，此目标仅对正数据有效。默认为 False。
`分数`	返回一个数值分数，根据预测值和实际值之间的差异来指示性能。
`分数是否需要概率`	对于使用预测概率的目标（如对数损失或 AUC），这应为 true；对于比较预测类别标签与实际标签的目标（如 F1 或相关性），这应为 false。
`验证输入`	根据几个简单检查验证输入。

classmethod calculate_percent_difference(cls, score, baseline_score)#

计算分数之间的百分比差异。

参数

score (float) – 一个分数。此目标的分数方法的输出。
baseline_score (float) – 一个分数。此目标的分数方法的输出。实际上，这是使用基准估计器在此目标上获得的分数。

返回

分数之间的百分比差异。注意，对于可以解释为百分比的目标，这将是参考分数和分数之间的差异。: 对于所有其他目标，差异将由参考分数归一化。

返回类型

float

property expected_range(cls)#

返回目标的预期范围，不一定是可能的范围。

例如，我们预期的 R2 范围是 [-1, 1]，尽管实际范围是 (-inf, 1]。

property greater_is_better(cls)#: 返回一个布尔值，表示分数越大是否表明模型性能越好。

property is_bounded_like_percentage(cls)#: 返回此目标是否介于 0 到 1 之间（含）有界。

classmethod is_defined_for_problem_type(cls, problem_type)#: 返回某个目标是否针对某种问题类型定义。

property name(cls)#: 返回描述目标的名称。

abstract classmethod objective_function(cls, y_true, y_predicted, y_train=None, X=None, sample_weight=None)#

根据指定的指标，计算提供的预测与实际标签相比的相对值。

参数

y_predicted (pd.Series) – 长度为 [n_samples] 的预测值
y_true (pd.Series) – 长度为 [n_samples] 的实际类别标签
y_train (pd.Series) – 长度为 [n_samples] 的观察训练值
X (pd.DataFrame 或 np.ndarray) – 计算分数所需的形状为 [n_samples, n_features] 的额外数据
sample_weight (pd.DataFrame 或 np.ndarray) – 用于计算目标值结果的样本权重

返回

用于计算分数的数值

property perfect_score(cls)#: 返回通过在完美模型上评估此目标获得的分数。

positive_only(cls)#: 如果为 True，此目标仅对正数据有效。默认为 False。

score(self, y_true, y_predicted, y_train=None, X=None, sample_weight=None)#

返回一个数值分数，根据预测值和实际值之间的差异来指示性能。

参数

y_predicted (pd.Series) – 长度为 [n_samples] 的预测值
y_true (pd.Series) – 长度为 [n_samples] 的实际类别标签
y_train (pd.Series) – 长度为 [n_samples] 的观察训练值
X (pd.DataFrame 或 np.ndarray) – 计算分数所需的形状为 [n_samples, n_features] 的额外数据
sample_weight (pd.DataFrame 或 np.ndarray) – 用于计算目标值结果的样本权重

返回

分数

property score_needs_proba(cls)#

对于使用预测概率的目标（如对数损失或 AUC），这应为 true；对于比较预测类别标签与实际标签的目标（如 F1 或相关性），这应为 false。

validate_inputs(self, y_true, y_predicted)#

根据几个简单检查验证输入。

参数

y_predicted (pd.Series 或 pd.DataFrame) – 长度为 [n_samples] 的预测值。
y_true (pd.Series) – 长度为 [n_samples] 的实际类别标签。

引发

ValueError – 如果输入格式不正确。