stacked_ensemble_classifier#

栈式集成分类器。

模块内容#

类摘要#

StackedEnsembleClassifier

栈式集成分类器。

目录#

class evalml.pipelines.components.ensemble.stacked_ensemble_classifier.StackedEnsembleClassifier(final_estimator=None, n_jobs=-1, random_seed=0, **kwargs)[source]#

栈式集成分类器。

参数

final_estimator (Estimator 或子类) – 用于组合基础估计器的分类器。如果为 None，则使用 ElasticNetClassifier。
n_jobs (int 或 None) – 用于流水线的并行度级别。None 和 1 是等效的。如果设置为 -1，则使用所有 CPU。对于小于 -1 的 n_jobs 值，使用 (n_cpus + 1 + n_jobs) 个 CPU。默认为 -1。- 注意：对于 n_jobs != 1 的值，可能会抛出一些多进程错误。如果发生这种情况，请使用 n_jobs = 1。
random_seed (int) – 随机数生成器的种子。默认为 0。

示例

>>> from evalml.pipelines.component_graph import ComponentGraph
>>> from evalml.pipelines.components.estimators.classifiers.decision_tree_classifier import DecisionTreeClassifier
>>> from evalml.pipelines.components.estimators.classifiers.elasticnet_classifier import ElasticNetClassifier
...
>>> component_graph = {
...     "Decision Tree": [DecisionTreeClassifier(random_seed=3), "X", "y"],
...     "Decision Tree B": [DecisionTreeClassifier(random_seed=4), "X", "y"],
...     "Stacked Ensemble": [
...         StackedEnsembleClassifier(n_jobs=1, final_estimator=DecisionTreeClassifier()),
...         "Decision Tree.x",
...         "Decision Tree B.x",
...         "y",
...     ],
... }
...
>>> cg = ComponentGraph(component_graph)
>>> assert cg.default_parameters == {
...     'Decision Tree Classifier': {'criterion': 'gini',
...                                  'max_features': 'sqrt',
...                                  'max_depth': 6,
...                                  'min_samples_split': 2,
...                                  'min_weight_fraction_leaf': 0.0},
...     'Stacked Ensemble Classifier': {'final_estimator': ElasticNetClassifier,
...                                     'n_jobs': -1}}

属性

hyperparameter_ranges	{}
model_family	ModelFamily.ENSEMBLE
modifies_features	True
modifies_target	False
name	栈式集成分类器
supported_problem_types	[ ProblemTypes.BINARY, ProblemTypes.MULTICLASS, ProblemTypes.TIME_SERIES_BINARY, ProblemTypes.TIME_SERIES_MULTICLASS,]
training_only	False

方法

`clone`	使用相同的参数和随机状态构造新的组件。
`default_parameters`	返回栈式集成类的默认参数。
`describe`	描述一个组件及其参数。
`feature_importance`	未对 StackedEnsembleClassifier 和 StackedEnsembleRegressor 实现此方法。
`fit`	将估计器拟合到数据。
`get_prediction_intervals`	使用已拟合的回归器查找预测区间。
`load`	从文件路径加载组件。
`needs_fitting`	返回一个布尔值，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`	对标签进行概率估计。
`save`	将组件保存到文件路径。
`update_parameters`	更新组件的参数字典。

clone(self)#

使用相同的参数和随机状态构造新的组件。

返回: 一个具有相同参数和随机状态的此组件的新实例。

default_parameters(cls)#

返回栈式集成类的默认参数。

返回: 此组件的默认参数。
返回类型: dict

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

描述一个组件及其参数。

参数

print_name (bool, optional) – 是否打印组件名称
return_dict (bool, optional) – 是否以 {"name": name, "parameters": parameters} 格式将描述作为字典返回

返回

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)#: 未对 StackedEnsembleClassifier 和 StackedEnsembleRegressor 实现此方法。

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

将估计器拟合到数据。

参数

X (pd.DataFrame) – 输入训练数据，形状为 [n_samples, n_features]。
y (pd.Series, optional) – 目标训练数据，长度为 [n_samples]。

返回

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]#

使用已拟合的回归器查找预测区间。

此函数获取已拟合估计器的预测结果，并使用窗口大小为 5 计算所有预测的滚动标准差。通过取每个边界处下尾概率的百分位数（分位数）函数乘以滚动标准差来确定预测的下限和上限。

参数

X (pd.DataFrame) – 数据，形状为 [n_samples, n_features]。
y (pd.Series) – 目标数据。忽略。
coverage (list[float]) – 一个介于 0 和 1 之间的浮点数列表，用于计算预测区间的上限和下限。
predictions (pd.Series) – 可选的预测列表，供使用。如果为 None，将使用 X 生成预测。

返回

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

返回类型

dict

抛出

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

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: ComponentBase 对象

needs_fitting(self)#

返回一个布尔值，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拟合方法不执行任何操作的组件，此方法可以被重写为 False。

返回: 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_samples, n_features]。
返回: 预测值。
返回类型: pd.Series
抛出: MethodPropertyNotFoundError – 如果估计器没有 predict 方法或没有实现 predict 的 component_obj。

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

对标签进行概率估计。

参数: X (pd.DataFrame) – 特征。
返回: 概率估计。
返回类型: pd.Series
抛出: MethodPropertyNotFoundError – 如果估计器没有 predict_proba 方法或没有实现 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。

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, optional) – 如果为 True，会将 _is_fitted 设置为 False。