et_regressor#

Extra Trees 回归器。

模块内容#

类摘要#

ExtraTreesRegressor

Extra Trees 回归器。

目录#

class evalml.pipelines.components.estimators.regressors.et_regressor.ExtraTreesRegressor(n_estimators: int = 100, max_features: str = 'sqrt', max_depth: int = 6, min_samples_split: int = 2, min_weight_fraction_leaf: float = 0.0, n_jobs: int = -1, random_seed: Union[int, float] = 0, **kwargs)[source]#

Extra Trees 回归器。

参数

n_estimators (float) – 森林中的树木数量。默认为 100。
max_features (int, float 或 {"sqrt", "log2"}) –
寻找最佳分裂时要考虑的特征数量
- 如果为 int，则在每次分裂时考虑 max_features 个特征。
- 如果为 float，则 max_features 是一个分数，在每次分裂时考虑 int(max_features * n_features) 个特征。
- 如果为 “sqrt”，则 max_features=sqrt(n_features)。
- 如果为 “log2”，则 max_features=log2(n_features)。
- 如果为 None，则 max_features = n_features。
寻找分裂不会停止，直到找到节点样本的至少一个有效划分，即使这需要实际检查超过 max_features 个特征。
max_depth (int) – 树的最大深度。默认为 6。
min_samples_split (int 或 float) –
分裂内部节点所需的最小样本数
- 如果为 int，则将 min_samples_split 视为最小数量。
- 如果为 float，则 min_samples_split 是一个分数，并且 ceil(min_samples_split * n_samples) 是每次分裂的最小样本数。
2. (默认为) –
min_weight_fraction_leaf (float) – 叶节点所需的总权重（所有输入样本权重总和）的最小加权分数。默认为 0.0。
n_jobs (int 或 None) – 并行运行的作业数量。-1 表示使用所有进程。默认为 -1。
random_seed (int) – 随机数生成器的种子。默认为 0。

属性

hyperparameter_ranges	{ “n_estimators”: Integer(10, 1000), “max_features”: [“sqrt”, “log2”], “max_depth”: Integer(4, 10),}
model_family	ModelFamily.EXTRA_TREES
修改特征	True
修改目标	False
名称	Extra Trees 回归器
支持的问题类型	[ ProblemTypes.REGRESSION, ProblemTypes.TIME_SERIES_REGRESSION, ProblemTypes.MULTISERIES_TIME_SERIES_REGRESSION,]
仅用于训练	False

方法

`克隆`	构建一个具有相同参数和随机状态的新组件。
`默认参数`	返回此组件的默认参数。
`描述`	描述一个组件及其参数。
`特征重要性`	返回与每个特征相关的重要性。
`拟合`	将估计器拟合到数据。
`获取预测区间`	使用拟合的 ExtraTreesRegressor 查找预测区间。
`加载`	从文件路径加载组件。
`需要拟合`	返回一个布尔值，确定组件在调用 predict、predict_proba、transform 或 feature_importances 之前是否需要拟合。
`参数`	返回用于初始化组件的参数。
`预测`	使用选定的特征进行预测。
`预测概率`	为标签生成概率估计。
`保存`	将组件保存到文件路径。
`更新参数`	更新组件的参数字典。

clone(self)#

构建一个具有相同参数和随机状态的新组件。

返回值: 此组件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。

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

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) → pandas.Series#

返回与每个特征相关的重要性。

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

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][source]#

使用拟合的 ExtraTreesRegressor 查找预测区间。

参数

X (pd.DataFrame) – 数据，形状为 [n_samples, n_features]。
y (pd.Series) – 目标数据。可选。
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。

返回值

预测区间，键的格式为 {coverage}_lower 或 {coverage}_upper。

返回类型

dict

static load(file_path)#

从文件路径加载组件。

参数: file_path (str) – 文件加载位置。
返回值: ComponentBase 对象

needs_fitting(self)#

返回一个布尔值，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，可以将其重写为 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
引发: 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#

为标签生成概率估计。

参数: X (pd.DataFrame) – 特征。
返回值: 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) – 要更新的参数字典。
reset_fit (bool, 可选) – 如果为 True，将设置 _is_fitted 为 False。