baseline_regressor#

基线回归器，使用简单的策略进行预测。这作为一个简单的基线回归器，可用于与其他回归器进行比较。

模块内容#

类摘要#

BaselineRegressor

基线回归器，使用简单的策略进行预测。这作为一个简单的基线回归器，可用于与其他回归器进行比较。

内容#

class evalml.pipelines.components.estimators.regressors.baseline_regressor.BaselineRegressor(strategy='mean', random_seed=0, **kwargs)[source]#

基线回归器，使用简单的策略进行预测。这作为一个简单的基线回归器，可用于与其他回归器进行比较。

参数

strategy (str) – 用于预测的方法。有效选项为“mean”、“median”。默认为“mean”。
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	基线回归器
supported_problem_types	[ ProblemTypes.REGRESSION, ProblemTypes.TIME_SERIES_REGRESSION,]
training_only	False

方法

`clone`	构造一个具有相同参数和随机状态的新组件。
`default_parameters`	返回此组件的默认参数。
`describe`	描述组件及其参数。
`feature_importance`	返回与每个特征相关的重要性。由于基线回归器不使用输入特征来计算预测，因此返回一个零数组。
`fit`	将基线回归组件拟合到数据。
`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`	使用基线回归策略进行预测。
`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)#

构造一个具有相同参数和随机状态的新组件。

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) – 是否将描述作为字典返回，格式为 {“name”: name, “parameters”: parameters}

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。由于基线回归器不使用输入特征来计算预测，因此返回一个零数组。

返回: 一个零数组。
返回类型: np.ndarray (float)

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

将基线回归组件拟合到数据。

参数

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

返回

self

引发

ValueError – 如果输入 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。

此函数使用拟合的估计器的预测，并使用窗口大小为 5 计算所有预测的滚动标准差。上下预测通过取每个界限处下尾概率的百分点（分位数）函数乘以滚动标准差来确定。

参数

X (pd.DataFrame) – 数据，形状为 [n_samples, n_features]。
y (pd.Series) – 目标数据。将被忽略。
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) – 文件加载位置。
返回: ComponentBase 对象

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拟合方法不执行任何操作的组件，可以将其重写为 False。

返回: True。

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

predict(self, X)[source]#

使用基线回归策略进行预测。

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

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
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) – 文件保存位置。
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) – 用于更新的参数字典。
reset_fit (bool, optional) – 如果为 True，将把 _is_fitted 设置为 False。