stacked_ensemble_base#

堆叠集成基类。

模块内容#

类摘要#

StackedEnsembleBase

堆叠集成基类。

内容#

class evalml.pipelines.components.ensemble.stacked_ensemble_base.StackedEnsembleBase(final_estimator=None, n_jobs=-1, random_seed=0, **kwargs)[源代码]#

堆叠集成基类。

参数

final_estimator (Estimator 或子类) – 用于组合基础估计器的估计器。
n_jobs (int 或 None) – 描述用于管道的并行级别。None 和 1 是等效的。如果设置为 -1，则使用所有 CPU。对于大于 -1 的 n_jobs，使用 (n_cpus + 1 + n_jobs)。默认为 -1。 - 注意：当 n_jobs != 1 时可能会出现一些多进程错误。如果出现这种情况，请使用 n_jobs = 1。
random_seed (int) – 随机数生成器的种子。默认为 0。

属性

model_family	ModelFamily.ENSEMBLE
modifies_features	True
modifies_target	False
training_only	False

方法

`clone`	构造具有相同参数和随机状态的新组件。
`default_parameters`	返回堆叠集成类的默认参数。
`describe`	描述组件及其参数。
`feature_importance`	StackedEnsembleClassifier 和 StackedEnsembleRegressor 未实现。
`fit`	将估计器拟合到数据。
`get_prediction_intervals`	使用拟合的回归器查找预测区间。
`load`	从文件路径加载组件。
`name`	返回此组件的字符串名称。
`needs_fitting`	返回布尔值，指示组件在调用 predict, predict_proba, transform 或 feature_importances 之前是否需要拟合。
`parameters`	返回用于初始化组件的参数。
`predict`	使用选定的特征进行预测。
`predict_proba`	为标签生成概率估计。
`save`	将组件保存到文件路径。
`supported_problem_types`	此估计器支持的问题类型。
`update_parameters`	更新组件的参数字典。

clone(self)#

构造具有相同参数和随机状态的新组件。

返回值: 具有相同参数和随机状态的此组件的新实例。

default_parameters(cls)#

返回堆叠集成类的默认参数。

返回值: 此组件的默认参数。
返回类型: dict

describe(self, print_name=False, return_dict=False)#

描述组件及其参数。

参数

print_name (bool, 可选) – 是否打印组件名称
return_dict (bool, 可选) – 是否以字典格式 {“name”: name, “parameters”: parameters} 返回描述

返回值

如果 return_dict 为 True 则返回字典，否则返回 None。

返回类型

None 或 dict

property feature_importance(self)#: StackedEnsembleClassifier 和 StackedEnsembleRegressor 未实现。

fit(self, X: pandas.DataFrame, y: Optional[pandas.Series] = None)#

将估计器拟合到数据。

参数

X (pd.DataFrame) – 输入的训练数据，形状为 [n_样本数, n_特征数]。
y (pd.Series, 可选) – 目标训练数据，长度为 [n_样本数]。

返回值

self

get_prediction_intervals(self, X: pandas.DataFrame, y: Optional[pandas.Series] = None, coverage: List[float] = None, predictions: pandas.Series = None) → Dict[str, pandas.Series]#

使用拟合的回归器查找预测区间。

此函数使用拟合估计器的预测结果，并通过窗口大小为 5 计算所有预测结果的滚动标准差。下限和上限预测是通过将每个边界处下尾概率的百分点（分位数）函数乘以滚动标准差来确定的。

参数

X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
y (pd.Series) – 目标数据。忽略。
coverage (list[float]) – 一个包含 0 到 1 之间浮点数的列表，用于计算预测区间的上限和下限。
predictions (pd.Series) – 可选的预测结果列表。如果为 None，将使用 X 生成预测结果。

返回值

预测区间，键格式为 {coverage}_lower 或 {coverage}_upper。

返回类型

dict

引发

MethodPropertyNotFoundError – 如果估计器不支持时间序列回归问题类型。

static load(file_path)#

从文件路径加载组件。

参数: file_path (str) – 加载文件的位置。
返回值: ComponentBase 对象

property name(cls)#: 返回此组件的字符串名称。

needs_fitting(self)#

返回布尔值，指示组件在调用 predict, predict_proba, transform 或 feature_importances 之前是否需要拟合。

对于不需要拟合或其 fit 方法不执行任何操作的组件，可以将其覆盖为 False。

返回值: True。

property parameters(self)#: 返回用于初始化组件的参数。

predict(self, X: pandas.DataFrame) → pandas.Series#

使用选定的特征进行预测。

参数: X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
返回值: 预测值。
返回类型: pd.Series
引发: MethodPropertyNotFoundError – 如果估计器没有 predict 方法或实现 predict 的 component_obj。

predict_proba(self, X: pandas.DataFrame) → pandas.Series#

为标签生成概率估计。

参数: X (pd.DataFrame) – 特征。
返回值: 概率估计。
返回类型: pd.Series
引发: MethodPropertyNotFoundError – 如果估计器没有 predict_proba 方法或实现 predict_proba 的 component_obj。

save(self, file_path, pickle_protocol=cloudpickle.DEFAULT_PROTOCOL)#

将组件保存到文件路径。

参数

file_path (str) – 保存文件的位置。
pickle_protocol (int) – pickle 数据流格式。

property supported_problem_types(cls)#: 此估计器支持的问题类型。

update_parameters(self, update_dict, reset_fit=True)#

更新组件的参数字典。

参数

update_dict (dict) – 要更新的参数字典。
reset_fit (bool, 可选) – 如果为 True，将 _is_fitted 设置为 False。