stacked_ensemble_regressor#

堆叠集成回归器。

模块内容#

类摘要#

StackedEnsembleRegressor

堆叠集成回归器。

内容#

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

堆叠集成回归器。

参数

final_estimator (Estimator 或子类) – 用于组合基础估计器的回归器。如果为None，则使用ElasticNetRegressor。
n_jobs (int 或 None) – 描述流水线并行程度的整数。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：对于值n_jobs != 1，可能会抛出一些多进程错误。如果是这种情况，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.regressors.rf_regressor import RandomForestRegressor
>>> from evalml.pipelines.components.estimators.regressors.elasticnet_regressor import ElasticNetRegressor
...
>>> component_graph = {
...     "Random Forest": [RandomForestRegressor(random_seed=3), "X", "y"],
...     "Random Forest B": [RandomForestRegressor(random_seed=4), "X", "y"],
...     "Stacked Ensemble": [
...         StackedEnsembleRegressor(n_jobs=1, final_estimator=RandomForestRegressor()),
...         "Random Forest.x",
...         "Random Forest B.x",
...         "y",
...     ],
... }
...
>>> cg = ComponentGraph(component_graph)
>>> assert cg.default_parameters == {
...     'Random Forest Regressor': {'n_estimators': 100,
...                                 'max_depth': 6,
...                                 'n_jobs': -1},
...     'Stacked Ensemble Regressor': {'final_estimator': ElasticNetRegressor,
...                                    'n_jobs': -1}}

属性

hyperparameter_ranges	{}
model_family	ModelFamily.ENSEMBLE
modifies_features	True
modifies_target	False
name	Stacked Ensemble Regressor
supported_problem_types	[ ProblemTypes.REGRESSION, ProblemTypes.TIME_SERIES_REGRESSION,]
training_only	False

方法

`clone`	使用相同的参数和随机状态构造一个新的组件。
`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`	使用拟合好的回归器查找预测区间。
`load`	从文件路径加载组件。
`needs_fitting`	返回布尔值，确定组件在调用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一个新的组件。

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

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]#

使用拟合好的回归器查找预测区间。

此函数使用拟合估计器的预测，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点（分位数）函数，并乘以滚动标准差，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。被忽略。
coverage (list[float]) – 一个浮点数列表，值介于0和1之间，用于计算预测区间的上限和下限。
predictions (pd.Series) – 可选的预测列表。如果为None，将使用X生成预测。

返回值

预测区间，键的格式为 {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。
返回值: ComponentBase 对象

needs_fitting(self)#

返回布尔值，确定组件在调用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_samples, n_features]。
返回值: 预测值。
返回类型: pd.Series
抛出: 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#

对标签进行概率估计。

参数: X (pd.DataFrame) – 特征。
返回值: 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, 可选) – 如果为True，将把_is_fitted设置为False。