baseline_classifier#

基线分类器。

模块内容#

类摘要#

BaselineClassifier

使用指定策略进行预测的分类器。

内容#

class evalml.pipelines.components.estimators.classifiers.baseline_classifier.BaselineClassifier(strategy='mode', random_seed=0, **kwargs)[source]#

使用指定策略进行预测的分类器。

这可用作一个简单的基线分类器，以便与其他分类器进行比较。

参数

strategy (str) – 用于预测的方法。有效选项包括“mode”、“random”和“random_weighted”。默认为“mode”。
random_seed (int) – 随机数生成器的种子。默认为0。

属性

hyperparameter_ranges	{}
model_family	ModelFamily.BASELINE
modifies_features	True
modifies_target	False
name	基线分类器
supported_problem_types	[ProblemTypes.BINARY, ProblemTypes.MULTICLASS]
training_only	False

方法

`classes_`	返回类标签。在拟合之前将返回None。
`clone`	使用相同的参数和随机状态构造一个新组件。
`default_parameters`	返回此组件的默认参数。
`describe`	描述一个组件及其参数。
`feature_importance`	返回与每个特征相关的重要性。由于基线分类器不使用输入特征计算预测，因此返回一个零数组。
`fit`	将基线分类器组件拟合到数据。
`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。
`needs_fitting`	返回一个布尔值，确定在调用predict、predict_proba、transform或feature_importances之前组件是否需要拟合。
`parameters`	返回用于初始化组件的参数。
`predict`	使用基线分类策略进行预测。
`predict_proba`	使用基线分类策略生成预测概率。
`save`	将组件保存到文件路径。
`update_parameters`	更新组件的参数字典。

property classes_(self)#

返回类标签。在拟合之前将返回None。

返回: 类名
返回类型: list[str] 或 list(float)

clone(self)#

使用相同的参数和随机状态构造一个新组件。

返回: 此组件的一个新实例，具有相同的参数和随机状态。

default_parameters(cls)#

返回此组件的默认参数。

我们的约定是 Component.default_parameters == Component().parameters。

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, 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

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)#

返回与每个特征相关的重要性。由于基线分类器不使用输入特征计算预测，因此返回一个零数组。

返回: 一个零数组
返回类型: pd.Series

fit(self, X, y=None)[source]#

将基线分类器组件拟合到数据。

参数

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

返回

self

引发

ValueError – 如果 y 为 None。

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。

此函数接受已拟合估计器的预测，并使用窗口大小为 5 计算所有预测的滚动标准差。较低和较高的预测通过将每个界限处的下尾概率的百分点（分位数）函数乘以滚动标准差来确定。

参数

X (pd.DataFrame) – 形状为 [n_samples, n_features] 的数据。
y (pd.Series) – 目标数据。将被忽略。
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。如果为 None，将使用 X 生成预测。

返回

预测区间，键的格式为 {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，确定在调用predict、predict_proba、transform或feature_importances之前组件是否需要拟合。

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

返回: True。

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

predict(self, X)[source]#

使用基线分类策略进行预测。

参数: X (pd.DataFrame) – 形状为 [n_samples, n_features] 的数据。
返回: 预测值。
返回类型: pd.Series

predict_proba(self, X)[source]#

使用基线分类策略生成预测概率。

参数: X (pd.DataFrame) – 形状为 [n_samples, n_features] 的数据。
返回: 预测概率值。
返回类型: pd.DataFrame

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。