估计器#

一个用于拟合和预测给定数据的组件。

模块内容#

类摘要#

Estimator

一个用于拟合和预测给定数据的组件。

内容#

class evalml.pipelines.components.estimators.estimator.Estimator(parameters: dict = None, component_obj: Type[evalml.pipelines.components.ComponentBase] = None, random_seed: Union[int, float] = 0, **kwargs)[source]#

一个用于拟合和预测给定数据的组件。

要实现一个新的 Estimator，请定义您自己的类，使其成为 Estimator 的子类，包括名称以及在 AutoML 搜索期间（超参数）要调优的任何参数的可接受范围列表。定义一个 __init__ 方法，该方法设置任何必要的状态和对象。请确保您的 __init__ 仅使用标准关键字参数，并使用 parameters dict 调用 super().__init__()。如果合适，您还可以覆盖此类中的 fit、transform、fit_transform 及其他方法。

要查看一些示例，请查看任何 Estimator 组件子类的定义。

参数

parameters (dict) – 组件的参数字典。默认为 None。
component_obj (obj) – 在组件实现中有用的第三方对象。默认为 None。
random_seed (int) – 随机数生成器的种子。默认为 0。

属性

model_family	ModelFamily.NONE
modifies_features	True
modifies_target	False
training_only	False

方法

`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特征重要性。
`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。
`model_family`	ModelFamily.NONE
`name`	返回此组件的字符串名称。
`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`	生成标签的概率估计。
`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)#

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。

按照我们的约定，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) → pandas.Series#

返回与每个特征相关的特征重要性。

返回: 与每个特征相关的重要性。
返回类型: np.ndarray
抛出: MethodPropertyNotFoundError – 如果估计器没有 feature_importance 方法或没有实现 feature_importance 的 component_obj。

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

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

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][source]#

使用拟合的回归器查找预测区间。

此函数接受拟合估计器的预测，并使用大小为 5 的窗口计算所有预测的滚动标准差。通过将每个边界的下尾概率的百分点（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]) – 一个包含 0 到 1 之间的浮点数的列表，用于计算预测区间的上限和下限。
predictions (pd.Series) – 要使用的可选预测列表。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

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

property model_family(cls)#: 返回此组件的 ModelFamily。

property name(cls)#: 返回此组件的字符串名称。

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: pandas.DataFrame) → pandas.Series[source]#

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[source]#

生成标签的概率估计。

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。

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，将设置 _is_fitted 为 False。