elasticnet_regressor#

弹性网络回归器。

模块内容#

类总结#

ElasticNetRegressor

弹性网络回归器。

目录#

class evalml.pipelines.components.estimators.regressors.elasticnet_regressor.ElasticNetRegressor(alpha=0.0001, l1_ratio=0.15, max_iter=1000, random_seed=0, **kwargs)[来源]#

弹性网络回归器。

参数

alpha (浮点数) – 惩罚项的乘法常数。默认为 0.0001。
l1_ratio (浮点数) – 混合参数，取值范围为 0 <= l1_ratio <= 1。仅在 penalty=’elasticnet’ 时使用。设置 l1_ratio=0 相当于使用 penalty=’l2’，而设置 l1_ratio=1 相当于使用 penalty=’l1’。对于 0 < l1_ratio < 1，惩罚项是 L1 和 L2 的组合。默认为 0.15。
max_iter (整数) – 最大迭代次数。默认为 1000。
random_seed (整数) – 随机数生成器的种子。默认为 0。

属性

hyperparameter_ranges	{ “alpha”: Real(0, 1), “l1_ratio”: Real(0, 1),}
model_family	ModelFamily.LINEAR_MODEL
modifies_features	True
modifies_target	False
name	弹性网络回归器
supported_problem_types	[ ProblemTypes.REGRESSION, ProblemTypes.TIME_SERIES_REGRESSION, ProblemTypes.MULTISERIES_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`	拟合的弹性网络回归器的特征重要性。
`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。
`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`	为标签生成概率估计。
`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: 此组件的一个具有相同参数和随机状态的新实例。

default_parameters(cls)#

返回此组件的默认参数。

我们的惯例是 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 (布尔值, 可选) – 是否打印组件名称
return_dict (布尔值, 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)#: 拟合的弹性网络回归器的特征重要性。

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 [样本数, 特征数]。
y (*pd.Series*, 可选) – 目标训练数据，长度为 [样本数]。

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]#

使用拟合的回归器查找预测区间。

此函数使用拟合估计器的预测值，并使用大小为 5 的窗口计算所有预测值的滚动标准差。通过将每个边界处的下尾概率的百分位数（分位数）函数乘以滚动标准差来确定下限和上限预测值。

参数

X (*pd.DataFrame*) – 数据，形状为 [样本数, 特征数]。
y (*pd.Series*) – 目标数据。忽略。
coverage (列表[浮点数]) – 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

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做任何事情的组件，此属性可以被重写为 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 [样本数, 特征数]。
返回: 预测值。
返回类型: pd.Series
抛出: MethodPropertyNotFoundError – 如果估计器没有 predict 方法或实现了 predict 的 component_obj。

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

为标签生成概率估计。

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 方法或实现了 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，将设置 _is_fitted 为 False。