回归器#

回归模型组件。

子模块#

包内容#

类摘要#

`ARIMARegressor`	自回归积分移动平均模型。三个参数 (p, d, q) 分别是 AR 阶数、差分阶数和 MA 阶数。更多信息请参阅： https://statsmodels.cn/devel/generated/statsmodels.tsa.arima.model.ARIMA.html。
`BaselineRegressor`	使用简单策略进行预测的基准回归器。这对于作为简单基准回归器与其他回归器进行比较非常有用。
`CatBoostRegressor`	CatBoost 回归器，一个使用决策树梯度提升的回归器。CatBoost 是一个开源库，原生支持分类特征。
`DecisionTreeRegressor`	决策树回归器。
`ElasticNetRegressor`	Elastic Net 回归器。
`ExponentialSmoothingRegressor`	Holt-Winters 指数平滑预测器。
`ExtraTreesRegressor`	额外树回归器。
`LightGBMRegressor`	LightGBM 回归器。
`LinearRegressor`	线性回归器。
`MultiseriesTimeSeriesBaselineRegressor`	使用朴素预测方法进行预测的多系列时间序列回归器。
`ProphetRegressor`	Prophet 是一种基于加法模型的时间序列数据预测方法，该模型使用年度、每周和每日季节性以及假日效应来拟合非线性趋势。它最适合具有强季节性效应和多个季节历史数据的时间序列。Prophet 对缺失数据和趋势变化具有鲁棒性，并且通常能很好地处理异常值。
`RandomForestRegressor`	随机森林回归器。
`SVMRegressor`	支持向量机回归器。
`TimeSeriesBaselineEstimator`	使用朴素预测方法进行预测的时间序列估计器。
`VARMAXRegressor`	带外生回归器的向量自回归移动平均模型。两个参数 (p, q) 分别是 AR 阶数和 MA 阶数。更多信息请参阅： https://statsmodels.cn/stable/generated/statsmodels.tsa.statespace.varmax.VARMAX.html。
`XGBoostRegressor`	XGBoost 回归器。

内容#

class evalml.pipelines.components.estimators.regressors.ARIMARegressor(time_index: Optional[Hashable] = None, trend: Optional[str] = None, start_p: int = 2, d: int = 0, start_q: int = 2, max_p: int = 5, max_d: int =2, max_q: int =5, seasonal: bool = True, sp: int =1, n_jobs: int = -1, random_seed: Union[int, float] = 0, maxiter: int = 10, use_covariates: bool = True, **kwargs)[source]#

自回归积分移动平均模型。三个参数 (p, d, q) 分别是 AR 阶数、差分阶数和 MA 阶数。更多信息请参阅： https://statsmodels.cn/devel/generated/statsmodels.tsa.arima.model.ARIMA.html。

目前 ARIMARegressor 不支持通过 conda 安装。建议通过 PyPI 安装。

参数

time_index (str) – 指定 X 中提供日期时间对象的列的名称。默认为 None。
trend (str) – 控制确定性趋势。选项包括 ['n', 'c', 't', 'ct']，其中 'c' 表示常数项，'t' 表示线性趋势，'ct' 表示两者。在定义多项式时也可以是可迭代对象，例如 [1, 1, 0, 1]。
start_p (int) – 最小自回归阶数。默认为 2。
d (int) – 最小差分阶数。默认为 0。
start_q (int) – 最小移动平均阶数。默认为 2。
max_p (int) – 最大自回归阶数。默认为 5。
max_d (int) – 最大差分阶数。默认为 2。
max_q (int) – 最大移动平均阶数。默认为 5。
seasonal (boolean) – 是否对 ARIMA 拟合季节性模型。默认为 True。
sp (int or str) – 季节性差分周期，具体而言是每个季节的周期数。如果设置为 "detect"，该模型将自动检测此参数（如果时间序列是标准频率），如果无法检测到，则回退到 1（无季节性）。默认为 1。
n_jobs (int or None) – 描述管道并行级别的非负整数。默认为 -1。
random_seed (int) – 随机数生成器的种子。默认为 0。

属性

hyperparameter_ranges	{ "start_p": Integer(1, 3), "d": Integer(0, 2), "start_q": Integer(1, 3), "max_p": Integer(3, 10), "max_d": Integer(2, 5), "max_q": Integer(3, 10), "seasonal": [True, False],}
max_cols	7
max_rows	1000
model_family	ModelFamily.ARIMA
modifies_features	True
modifies_target	False
name	ARIMA 回归器
supported_problem_types	[ProblemTypes.TIME_SERIES_REGRESSION]
training_only	False

方法

`clone`	使用相同的参数和随机状态构造一个新的组件。
`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`	返回长度为 1 的零数组，因为特征重要性未定义为 ARIMA 回归器。
`fit`	将 ARIMA 回归器拟合到数据。
`get_prediction_intervals`	使用拟合的 ARIMARegressor 查找预测区间。
`load`	从文件路径加载组件。
`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`	使用拟合的 ARIMA 回归器进行预测。
`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)#

使用相同的参数和随机状态构造一个新的组件。

返回: 此组件的新实例，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, 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 or dict

property feature_importance(self) → numpy.ndarray#: 返回长度为 1 的零数组，因为特征重要性未定义为 ARIMA 回归器。

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

将 ARIMA 回归器拟合到数据。

参数

X (pd.DataFrame) – 输入训练数据，形状为 [n_样本数, n_特征数]。
y (pd.Series) – 目标训练数据，长度为 [n_样本数]。

返回

self

引发异常

ValueError – 如果未传入 y。

get_prediction_intervals(self, X: pandas.DataFrame, y: pandas.Series = None, coverage: List[float] = None, predictions: pandas.Series = None) → Dict[str, pandas.Series][source]#

使用拟合的 ARIMARegressor 查找预测区间。

参数

X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
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) – 不用于 ARIMA 回归器。

返回

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) – 加载文件的位置。
返回: ComponentBase object

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, y: Optional[pandas.Series] = None) → pandas.Series[source]#

使用拟合的 ARIMA 回归器进行预测。

参数

X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
y (pd.Series) – 目标数据。

返回

预测值。

返回类型

pd.Series

引发异常

ValueError – 如果 X 已传递给 fit 但未传递给 predict。

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
引发异常: 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) – 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, optional) – 如果为 True，将设置 _is_fitted 为 False。

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

使用简单策略进行预测的基准回归器。这对于作为简单基准回归器与其他回归器进行比较非常有用。

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	基准回归器
supported_problem_types	[ ProblemTypes.REGRESSION, ProblemTypes.TIME_SERIES_REGRESSION,]
training_only	False

方法

`clone`	使用相同的参数和随机状态构造一个新的组件。
`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。由于基准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`	将基准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，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`	使用基准回归策略进行预测。
`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)#

使用相同的参数和随机状态构造一个新的组件。

返回: 此组件的新实例，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, 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 or dict

property feature_importance(self)#

返回与每个特征相关的重要性。由于基准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]#

将基准回归组件拟合到数据。

参数

X (pd.DataFrame) – 输入训练数据，形状为 [n_样本数, n_特征数]。
y (pd.Series) – 目标训练数据，长度为 [n_样本数]。

返回

self

引发异常

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。

此函数获取拟合估计器的预测，并使用窗口大小为 5 计算所有预测的滚动标准差。通过将每个边界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预测的下限和上限。

参数

X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
y (pd.Series) – 目标数据。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

引发异常

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 object

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)[source]#

使用基准回归策略进行预测。

参数: X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
返回: 预测值。
返回类型: pd.Series

pd.DataFrame

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
引发异常: MethodPropertyNotFoundError – 如果估计器没有 predict_proba 方法或实现 predict_proba 的 component_obj。

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

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。

save(self, file_path, pickle_protocol=cloudpickle.DEFAULT_PROTOCOL)#

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, optional) – 如果为 True，将设置 _is_fitted 为 False。

update_parameters(self, update_dict, reset_fit=True)#

CatBoost 回归器，一个使用决策树梯度提升的回归器。CatBoost 是一个开源库，原生支持分类特征。

class evalml.pipelines.components.estimators.regressors.CatBoostRegressor(n_estimators=10, eta=0.03, max_depth=6, bootstrap_type=None, silent=False, allow_writing_files=False, random_seed=0, n_jobs=-1, **kwargs)[source]#

参数

更多信息请参阅 https://catboost.ai/
n_estimators (float) – 要构建的最大树数量。默认为 10。
eta (float) – 学习率。默认为 0.03。
max_depth (int) – 基学习器的最大树深度。默认为 6。
bootstrap_type (string) – 定义对象权重采样的方法。可用方法为 'Bayesian', 'Bernoulli', 'MVS'。默认为 None。
silent (boolean) – 是否使用“静默”日志记录模式。默认为 True。
allow_writing_files (boolean) – 训练期间是否允许写入快照文件。默认为 False。
random_seed (int) – 随机数生成器的种子。默认为 0。

属性

hyperparameter_ranges	n_jobs (int or None) – 并行运行的作业数。-1 使用所有进程。默认为 -1。
model_family	{ "n_estimators": Integer(4, 100), "eta": Real(0.000001, 1), "max_depth": Integer(4, 10),}
modifies_features	True
modifies_target	False
name	ModelFamily.CATBOOST
supported_problem_types	CatBoost 回归器
training_only	False

方法

`clone`	使用相同的参数和随机状态构造一个新的组件。
`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`	[ ProblemTypes.REGRESSION, ProblemTypes.TIME_SERIES_REGRESSION, ProblemTypes.MULTISERIES_TIME_SERIES_REGRESSION,]
`fit`	拟合的 CatBoost 回归器的特征重要性。
`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，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`	将 CatBoost 回归组件拟合到数据。
`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。

使用拟合的 CatBoost 回归器进行预测。

使用相同的参数和随机状态构造一个新的组件。

返回: 此组件的新实例，具有相同的参数和随机状态。

clone(self)#

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

default_parameters(cls)#

描述一个组件及其参数。

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 or dict

describe(self, print_name=False, return_dict=False)#: [ ProblemTypes.REGRESSION, ProblemTypes.TIME_SERIES_REGRESSION, ProblemTypes.MULTISERIES_TIME_SERIES_REGRESSION,]

property feature_importance(self)#

拟合的 CatBoost 回归器的特征重要性。

参数

X (pd.DataFrame) – 输入训练数据，形状为 [n_样本数, n_特征数]。
y (pd.Series) – 目标训练数据，长度为 [n_样本数]。

返回

self

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

使用拟合的回归器查找预测区间。

参数

X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
y (pd.Series) – 目标数据。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

引发异常

MethodPropertyNotFoundError – 如果估计器不支持时间序列回归作为问题类型。

get_prediction_intervals(self, X: pandas.DataFrame, y: Optional[pandas.Series] = None, coverage: List[float] = None, predictions: pandas.Series = None) → Dict[str, pandas.Series]#

从文件路径加载组件。

参数: file_path (str) – 加载文件的位置。
返回: ComponentBase object

static load(file_path)#

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.

needs_fitting(self)#: 返回用于初始化组件的参数。

property parameters(self)#

将 CatBoost 回归组件拟合到数据。

参数: X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
返回: 预测值。
返回类型: predict(self, X)[source]#

pd.DataFrame

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
引发异常: MethodPropertyNotFoundError – 如果估计器没有 predict_proba 方法或实现 predict_proba 的 component_obj。

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

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。

save(self, file_path, pickle_protocol=cloudpickle.DEFAULT_PROTOCOL)#

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, optional) – 如果为 True，将设置 _is_fitted 为 False。

update_parameters(self, update_dict, reset_fit=True)#

决策树回归器。

参数

class evalml.pipelines.components.estimators.regressors.DecisionTreeRegressor(criterion='squared_error', max_features='sqrt', max_depth=6, min_samples_split=2, min_weight_fraction_leaf=0.0, random_seed=0, **kwargs)[source]#
criterion ({"squared_error", "friedman_mse", "absolute_error", "poisson"}) –
- 衡量分割质量的函数。支持的标准有
- “squared_error” 用于均方误差，它等同于方差减少作为特征选择标准，并使用每个叶节点的均值最小化 L2 损失
- “friedman_mse”，使用 Friedman 改进分数计算潜在分割的均方误差
- “absolute_error” 用于平均绝对误差，它使用每个叶节点的中位数最小化 L1 损失，
“poisson”，使用 Poisson 偏差减少量来查找分割。
max_features (int, float or {"sqrt", "log2"}) –
- 在寻找最佳分割时要考虑的特征数量
- 如果是 int，则在每次分割时考虑 max_features 个特征。
- 如果是 float，则 max_features 是一个分数，并且在每次分割时考虑 int(max_features * n_features) 个特征。
- 如果是 “sqrt”，则 max_features=sqrt(n_features)。
- 如果是 “log2”，则 max_features=log2(n_features)。
如果是 None，则 max_features = n_features。
即使需要实际检查超过 max_features 个特征，寻找分割也不会停止，直到找到至少一个有效的节点样本划分。
max_depth (int) – 树的最大深度。默认为 6。
min_samples_split (int or float) –
- 分割内部节点所需的最小样本数
- 如果是 int，则将 min_samples_split 视为最小数量。
如果是 float，则 min_samples_split 是一个分数，并且 ceil(min_samples_split * n_样本数) 是每次分割的最小样本数。
默认为 2。
random_seed (int) – 随机数生成器的种子。默认为 0。

属性

hyperparameter_ranges	min_weight_fraction_leaf (float) – 在叶节点所需的总权重（所有输入样本的权重总和）的最小加权分数。默认为 0.0。
model_family	{ “criterion”: [“squared_error”, “friedman_mse”, “absolute_error”], “max_features”: [“sqrt”, “log2”], “max_depth”: Integer(4, 10),}
modifies_features	True
modifies_target	False
name	ModelFamily.DECISION_TREE
supported_problem_types	CatBoost 回归器
training_only	False

方法

`clone`	使用相同的参数和随机状态构造一个新的组件。
`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`	决策树回归器
`fit`	返回与每个特征相关的重要性。
`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，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`	将估计器拟合到数据。
`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。

使用选定特征进行预测。

使用相同的参数和随机状态构造一个新的组件。

返回: 此组件的新实例，具有相同的参数和随机状态。

clone(self)#

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

default_parameters(cls)#

描述一个组件及其参数。

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 or dict

describe(self, print_name=False, return_dict=False)#

决策树回归器

返回: property feature_importance(self) → pandas.Series#
返回类型: 与每个特征相关的重要性。
引发异常: np.ndarray

MethodPropertyNotFoundError – 如果估计器没有 feature_importance 方法或实现 feature_importance 的 component_obj。

返回与每个特征相关的重要性。

参数

X (pd.DataFrame) – 输入训练数据，形状为 [n_样本数, n_特征数]。
fit(self, X: pandas.DataFrame, y: Optional[pandas.Series] = None)#

返回

self

y (pd.Series, optional) – 目标训练数据，长度为 [n_样本数]。

使用拟合的回归器查找预测区间。

参数

X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
y (pd.Series) – 目标数据。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

引发异常

MethodPropertyNotFoundError – 如果估计器不支持时间序列回归作为问题类型。

get_prediction_intervals(self, X: pandas.DataFrame, y: Optional[pandas.Series] = None, coverage: List[float] = None, predictions: pandas.Series = None) → Dict[str, pandas.Series]#

从文件路径加载组件。

参数: file_path (str) – 加载文件的位置。
返回: ComponentBase object

static load(file_path)#

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.

needs_fitting(self)#: 返回用于初始化组件的参数。

property parameters(self)#

将估计器拟合到数据。

参数: X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
返回: 预测值。
返回类型: pd.Series
引发异常: predict(self, X: pandas.DataFrame) → pandas.Series#

MethodPropertyNotFoundError – 如果估计器没有 predict 方法或实现 predict 的 component_obj。

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
引发异常: MethodPropertyNotFoundError – 如果估计器没有 predict_proba 方法或实现 predict_proba 的 component_obj。

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

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。

save(self, file_path, pickle_protocol=cloudpickle.DEFAULT_PROTOCOL)#

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, optional) – 如果为 True，将设置 _is_fitted 为 False。

update_parameters(self, update_dict, reset_fit=True)#

Elastic Net 回归器。

参数

class evalml.pipelines.components.estimators.regressors.ElasticNetRegressor(alpha=0.0001, l1_ratio=0.15, max_iter=1000, random_seed=0, **kwargs)[source]#
alpha (float) – 乘以惩罚项的常数。默认为 0.0001。
l1_ratio (float) – 混合参数，0 <= l1_ratio <= 1。仅在 penalty='elasticnet' 时使用。设置 l1_ratio=0 等同于使用 penalty='l2'，而设置 l1_ratio=1 等同于使用 penalty='l1'。对于 0 < l1_ratio < 1，惩罚是 L1 和 L2 的组合。默认为 0.15。
random_seed (int) – 随机数生成器的种子。默认为 0。

属性

hyperparameter_ranges	max_iter (int) – 最大迭代次数。默认为 1000。
model_family	{ “alpha”: Real(0, 1), “l1_ratio”: Real(0, 1),}
modifies_features	True
modifies_target	False
name	ModelFamily.LINEAR_MODEL
supported_problem_types	CatBoost 回归器
training_only	False

方法

`clone`	使用相同的参数和随机状态构造一个新的组件。
`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`	Elastic Net 回归器
`fit`	返回与每个特征相关的重要性。
`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，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`	将估计器拟合到数据。
`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。

拟合的 ElasticNet 回归器的特征重要性。

使用相同的参数和随机状态构造一个新的组件。

返回: 此组件的新实例，具有相同的参数和随机状态。

clone(self)#

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

default_parameters(cls)#

描述一个组件及其参数。

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 or dict

describe(self, print_name=False, return_dict=False)#: Elastic Net 回归器

property feature_importance(self)#

返回与每个特征相关的重要性。

参数

X (pd.DataFrame) – 输入训练数据，形状为 [n_样本数, n_特征数]。
fit(self, X: pandas.DataFrame, y: Optional[pandas.Series] = None)#

返回

self

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

使用拟合的回归器查找预测区间。

参数

X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
y (pd.Series) – 目标数据。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

引发异常

MethodPropertyNotFoundError – 如果估计器不支持时间序列回归作为问题类型。

get_prediction_intervals(self, X: pandas.DataFrame, y: Optional[pandas.Series] = None, coverage: List[float] = None, predictions: pandas.Series = None) → Dict[str, pandas.Series]#

从文件路径加载组件。

参数: file_path (str) – 加载文件的位置。
返回: ComponentBase object

static load(file_path)#

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.

needs_fitting(self)#: 返回用于初始化组件的参数。

property parameters(self)#

将估计器拟合到数据。

参数: X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
返回: 预测值。
返回类型: pd.Series
引发异常: predict(self, X: pandas.DataFrame) → pandas.Series#

predict(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
引发异常: MethodPropertyNotFoundError – 如果估计器没有 predict_proba 方法或实现 predict_proba 的 component_obj。

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

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, optional) – 如果为 True，将设置 _is_fitted 为 False。

class evalml.pipelines.components.estimators.regressors.ExponentialSmoothingRegressor(trend: Optional[str] = None, damped_trend: bool = False, seasonal: Optional[str] = None, sp: int = 2, n_jobs: int = -1, random_seed: Union[int, float] = 0, **kwargs)[源代码]#

Holt-Winters 指数平滑预测器。

目前 ExponentialSmoothingRegressor 不支持通过 conda 安装。建议通过 PyPI 安装。

参数

trend (str) – 趋势分量的类型。默认为 None。
damped_trend (bool) – 趋势分量是否应被阻尼。默认为 False。
seasonal (str) – 季节性分量的类型。取值范围 {“additive”, None}。如果
0 (none of the target data is) – 目标数据中没有 0，也可以是 multiplicative，
None. (but AutoMLSearch wiill not tune for this. Defaults to) – 但 AutoMLSearch 不会对此进行调优。默认为 None。
sp (int) – 要考虑的季节周期数。默认为 2。
n_jobs (int or None) – 描述管道并行级别的非负整数。默认为 -1。
random_seed (int) – 随机数生成器的种子。默认为 0。

属性

hyperparameter_ranges	{ “trend”: [None, “additive”], “damped_trend”: [True, False], “seasonal”: [None, “additive”], “sp”: Integer(2, 8),}
model_family	ModelFamily.EXPONENTIAL_SMOOTHING
modifies_features	True
modifies_target	False
name	指数平滑回归器
supported_problem_types	[ProblemTypes.TIME_SERIES_REGRESSION]
training_only	False

方法

`clone`	使用相同的参数和随机状态构造一个新的组件。
`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`	返回长度为 1 的全 0 数组，因为指数平滑回归器未定义特征重要性。
`fit`	将指数平滑回归器拟合到数据。
`get_prediction_intervals`	使用已拟合的 ExponentialSmoothingRegressor 查找预测区间。
`load`	从文件路径加载组件。
`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`	使用已拟合的指数平滑回归器进行预测。
`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)#

使用相同的参数和随机状态构造一个新的组件。

返回: 此组件的新实例，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, 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 or dict

property feature_importance(self) → pandas.Series#: 返回长度为 1 的全 0 数组，因为指数平滑回归器未定义特征重要性。

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

将指数平滑回归器拟合到数据。

参数

X (pd.DataFrame) – 输入训练数据，形状为 [n_样本, n_特征]。被忽略。
y (pd.Series) – 目标训练数据，长度为 [n_样本数]。

返回

self

引发异常

ValueError – 如果未传入 y。

get_prediction_intervals(self, X: pandas.DataFrame, y: Optional[pandas.Series] = None, coverage: List[float] = None, predictions: pandas.Series = None) → Dict[str, pandas.Series][源代码]#

使用已拟合的 ExponentialSmoothingRegressor 查找预测区间。

通过模拟遵循指定状态空间模型的时间序列来计算预测区间。

参数

X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
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下限。
predictions (pd.Series) – 不用于指数平滑回归器。

返回

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) – 加载文件的位置。
返回: ComponentBase object

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, y: Optional[pandas.Series] = None) → pandas.Series[源代码]#

使用已拟合的指数平滑回归器进行预测。

参数

X (pd.DataFrame) – 数据形状为 [n_样本, n_特征]。除了用于设置预测范围外，其余被忽略。
y (pd.Series) – 目标数据。

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
引发异常: 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) – 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, optional) – 如果为 True，将设置 _is_fitted 为 False。

class evalml.pipelines.components.estimators.regressors.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)[源代码]#

额外树回归器。

参数

n_estimators (float) – 森林中的树数量。默认为 100。
“poisson”，使用 Poisson 偏差减少量来查找分割。
max_features (int, float or {"sqrt", "log2"}) –
- 在寻找最佳分割时要考虑的特征数量
- 如果是 int，则在每次分割时考虑 max_features 个特征。
- 如果是 float，则 max_features 是一个分数，并且在每次分割时考虑 int(max_features * n_features) 个特征。
- 如果是 “sqrt”，则 max_features=sqrt(n_features)。
- 如果是 “log2”，则 max_features=log2(n_features)。
如果是 None，则 max_features = n_features。
即使需要实际检查超过 max_features 个特征，寻找分割也不会停止，直到找到至少一个有效的节点样本划分。
max_depth (int) – 树的最大深度。默认为 6。
min_samples_split (int or float) –
- 分割内部节点所需的最小样本数
- 如果是 int，则将 min_samples_split 视为最小数量。
2. (Defaults to) – 默认为 2。
默认为 2。
allow_writing_files (boolean) – 训练期间是否允许写入快照文件。默认为 False。
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
modifies_features	True
modifies_target	False
name	额外树回归器
supported_problem_types	CatBoost 回归器
training_only	False

方法

`clone`	使用相同的参数和随机状态构造一个新的组件。
`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`	决策树回归器
`fit`	返回与每个特征相关的重要性。
`get_prediction_intervals`	使用已拟合的 ExtraTreesRegressor 查找预测区间。
`load`	从文件路径加载组件。
`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`	将估计器拟合到数据。
`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)#

使用相同的参数和随机状态构造一个新的组件。

返回: 此组件的新实例，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, 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 or dict

property feature_importance(self) → pandas.Series#

决策树回归器

返回: property feature_importance(self) → pandas.Series#
返回类型: 与每个特征相关的重要性。
引发异常: np.ndarray

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

返回与每个特征相关的重要性。

参数

X (pd.DataFrame) – 输入训练数据，形状为 [n_样本数, n_特征数]。
fit(self, X: pandas.DataFrame, y: Optional[pandas.Series] = None)#

返回

self

使用已拟合的 ExtraTreesRegressor 查找预测区间。

参数

X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
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

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) – 加载文件的位置。
返回: ComponentBase object

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#

将估计器拟合到数据。

参数: X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
返回: 预测值。
返回类型: pd.Series
引发异常: predict(self, X: pandas.DataFrame) → pandas.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
引发异常: 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) – 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, optional) – 如果为 True，将设置 _is_fitted 为 False。

class evalml.pipelines.components.estimators.regressors.LightGBMRegressor(boosting_type='gbdt', learning_rate=0.1, n_estimators=20, max_depth=0, num_leaves=31, min_child_samples=20, bagging_fraction=0.9, bagging_freq=0, n_jobs=-1, random_seed=0, **kwargs)[源代码]#

LightGBM 回归器。

参数

boosting_type (string) – 要使用的提升类型。默认为 “gbdt”。 - 'gbdt' 使用传统的梯度提升决策树 - “dart” 使用 Dropouts meet Multiple Additive Regression Trees - “goss” 使用基于梯度的单侧采样 - “rf” 使用随机森林
learning_rate (float) – 提升学习率。默认为 0.1。
n_estimators (int) – 要拟合的提升树数量。默认为 100。
max_depth (int) – 基学习器的最大树深度，<=0 表示无限制。默认为 0。
num_leaves (int) – 基学习器的最大树叶节点数。默认为 31。
min_child_samples (int) – 子节点（叶节点）所需的最小数据量。默认为 20。
bagging_fraction (float) – 如果该值小于 1.0，LightGBM 将在每次迭代（树）时随机选择一个特征子集，而不进行重采样。例如，如果设置为 0.8，LightGBM 在训练每棵树之前会选择 80% 的特征。这可用于加快训练速度并处理过拟合。默认为 0.9。
bagging_freq (int) – Bagging 的频率。0 表示禁用 bagging。k 表示每 k 次迭代执行一次 bagging。每第 k 次迭代，LightGBM 会随机选择 bagging_fraction * 100% 的数据用于接下来的 k 次迭代。默认为 0。
n_jobs (int or None) – 并行运行的线程数。-1 表示使用所有线程。默认为 -1。
random_seed (int) – 随机数生成器的种子。默认为 0。

属性

hyperparameter_ranges	{ “learning_rate”: Real(0.000001, 1), “boosting_type”: [“gbdt”, “dart”, “goss”, “rf”], “n_estimators”: Integer(10, 100), “max_depth”: Integer(0, 10), “num_leaves”: Integer(2, 100), “min_child_samples”: Integer(1, 100), “bagging_fraction”: Real(0.000001, 1), “bagging_freq”: Integer(0, 1),}
model_family	ModelFamily.LIGHTGBM
modifies_features	True
modifies_target	False
name	LightGBM 回归器
SEED_MAX	SEED_BOUNDS.max_bound
SEED_MIN	0
supported_problem_types	[ ProblemTypes.REGRESSION, ProblemTypes.TIME_SERIES_REGRESSION,]
training_only	False

方法

`clone`	使用相同的参数和随机状态构造一个新的组件。
`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`	决策树回归器
`fit`	将 LightGBM 回归器拟合到数据。
`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`	使用已拟合的 LightGBM 回归器进行预测。
`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)#

使用相同的参数和随机状态构造一个新的组件。

返回: 此组件的新实例，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, 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 or dict

property feature_importance(self) → pandas.Series#

决策树回归器

返回: property feature_importance(self) → pandas.Series#
返回类型: 与每个特征相关的重要性。
引发异常: np.ndarray

fit(self, X, y=None)[源代码]#

将 LightGBM 回归器拟合到数据。

参数

X (pd.DataFrame) – 输入训练数据，形状为 [n_样本数, n_特征数]。
y (pd.Series) – 目标训练数据，长度为 [n_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。

参数

X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
y (pd.Series) – 目标数据。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

引发异常

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 object

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)[源代码]#

使用已拟合的 LightGBM 回归器进行预测。

参数: X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
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
引发异常: 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) – 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, optional) – 如果为 True，将设置 _is_fitted 为 False。

class evalml.pipelines.components.estimators.regressors.LinearRegressor(fit_intercept=True, n_jobs=-1, random_seed=0, **kwargs)[源代码]#

线性回归器。

参数

fit_intercept (boolean) – 是否为模型计算截距。如果设置为 False，则计算中不使用截距（即数据应已中心化）。默认为 True。
n_jobs (int or None) – 并行运行的作业数。-1 表示使用所有线程。默认为 -1。
random_seed (int) – 随机数生成器的种子。默认为 0。

属性

hyperparameter_ranges	{ “fit_intercept”: [True, False],}
model_family	{ “alpha”: Real(0, 1), “l1_ratio”: Real(0, 1),}
modifies_features	True
modifies_target	False
name	线性回归器
supported_problem_types	CatBoost 回归器
training_only	False

方法

`clone`	使用相同的参数和随机状态构造一个新的组件。
`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`	已拟合线性回归器的特征重要性。
`fit`	返回与每个特征相关的重要性。
`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，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`	将估计器拟合到数据。
`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)#

使用相同的参数和随机状态构造一个新的组件。

返回: 此组件的新实例，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, 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 or dict

property feature_importance(self)#: 已拟合线性回归器的特征重要性。

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

返回与每个特征相关的重要性。

参数

X (pd.DataFrame) – 输入训练数据，形状为 [n_样本数, n_特征数]。
fit(self, X: pandas.DataFrame, y: Optional[pandas.Series] = None)#

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。

参数

X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
y (pd.Series) – 目标数据。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

引发异常

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 object

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#

将估计器拟合到数据。

参数: X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
返回: 预测值。
返回类型: pd.Series
引发异常: predict(self, X: pandas.DataFrame) → pandas.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
引发异常: 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) – 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, optional) – 如果为 True，将设置 _is_fitted 为 False。

class evalml.pipelines.components.estimators.regressors.MultiseriesTimeSeriesBaselineRegressor(gap=1, forecast_horizon=1, random_seed=0, **kwargs)[源代码]#

使用朴素预测方法进行预测的多系列时间序列回归器。

这对于多序列时间序列问题来说，是一个有用的简单基准估计器。

参数

gap (int) – 预测日期和目标日期之间的间隔，必须是正整数。如果 gap 为 0，目标日期将向前移动 1 个时间周期。默认为 1。
forecast_horizon (int) – 模型预期预测的时间步数。
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	多序列时间序列基准回归器
supported_problem_types	[ ProblemTypes.MULTISERIES_TIME_SERIES_REGRESSION,]
training_only	False

方法

`clone`	使用相同的参数和随机状态构造一个新的组件。
`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`	决策树回归器
`fit`	将多序列时间序列基准回归器拟合到数据。
`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`	使用已拟合的多序列时间序列基准回归器进行预测。
`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)#

使用相同的参数和随机状态构造一个新的组件。

返回: 此组件的新实例，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, 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 or dict

property feature_importance(self)#

决策树回归器

由于基准估计器不使用输入特征计算预测结果，因此返回全零数组。

返回: 一个零数组。
返回类型: np.ndarray (float)

fit(self, X, y=None)[源代码]#

将多序列时间序列基准回归器拟合到数据。

参数

X (pd.DataFrame) – 输入训练数据，形状为 [n_样本, n_特征 * n_系列]。
y (pd.DataFrame) – 目标训练数据，形状为 [n_样本, n_特征 * n_系列]。

返回

self

引发异常

ValueError – 如果输入 y 为 None 或 y 不是具有多列的 DataFrame。

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。

参数

X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
y (pd.Series) – 目标数据。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

引发异常

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 object

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)[源代码]#

使用已拟合的多序列时间序列基准回归器进行预测。

参数: X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
返回: 预测值。
返回类型: predict(self, X)[source]#
引发异常: ValueError – 如果 X 中不存在滞后列。

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
引发异常: 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) – 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, optional) – 如果为 True，将设置 _is_fitted 为 False。

class evalml.pipelines.components.estimators.regressors.ProphetRegressor(time_index: Optional[Hashable] = None, changepoint_prior_scale: float = 0.05, seasonality_prior_scale: int = 10, holidays_prior_scale: int = 10, seasonality_mode: str = 'additive', stan_backend: str = 'CMDSTANPY', interval_width: float = 0.95, random_seed: Union[int, float] = 0, **kwargs)[源代码]#

Prophet 是一种基于加法模型的时间序列数据预测方法，该模型使用年度、每周和每日季节性以及假日效应来拟合非线性趋势。它最适合具有强季节性效应和多个季节历史数据的时间序列。Prophet 对缺失数据和趋势变化具有鲁棒性，并且通常能很好地处理异常值。

更多信息请参见：https://fbdocs.cn/prophet/

参数

time_index (str) – 指定 X 中提供日期时间对象的列的名称。默认为 None。
changepoint_prior_scale (float) – 确定用于拟合变化率的稀疏先验的强度。增加此值会增加趋势的灵活性。默认为 0.05。
seasonality_prior_scale (int) – 类似于 changepoint_prior_scale。调整季节性模型拟合数据的程度。默认为 10。
holidays_prior_scale (int) – 类似于 changepoint_prior_scale。调整节假日拟合数据的程度。默认为 10。
seasonality_mode (str) – 确定此组件如何拟合季节性。选项为“additive”和“multiplicative”。默认为“additive”。
stan_backend (str) – 确定应使用哪个后端运行 Prophet。选项为“CMDSTANPY”和“PYSTAN”。默认为“CMDSTANPY”。
interval_width (float) – 调用 get_prediction_intervals 时确定预测区间范围的置信度。接受范围 (0,1) 内的值。默认为 0.95。
random_seed (int) – 随机数生成器的种子。默认为 0。

属性

hyperparameter_ranges	{ “changepoint_prior_scale”: Real(0.001, 0.5), “seasonality_prior_scale”: Real(0.01, 10), “holidays_prior_scale”: Real(0.01, 10), “seasonality_mode”: [“additive”, “multiplicative”],}
model_family	ModelFamily.PROPHET
modifies_features	True
modifies_target	False
name	Prophet 回归器
supported_problem_types	[ProblemTypes.TIME_SERIES_REGRESSION]
training_only	False

方法

`build_prophet_df`	构建 Prophet 数据，用于拟合和预测。
`clone`	使用相同的参数和随机状态构造一个新的组件。
`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`	返回长度为 1 的全 0 数组，因为 Prophet 回归器未定义特征重要性。
`fit`	将 Prophet 回归器组件拟合到数据。
`get_params`	获取 Prophet 回归器的参数。
`get_prediction_intervals`	使用已拟合的 ProphetRegressor 查找预测区间。
`load`	从文件路径加载组件。
`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`	使用已拟合的 Prophet 回归器进行预测。
`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。

static build_prophet_df(X: pandas.DataFrame, y: Optional[pandas.Series] = None, time_index: str = 'ds') → pandas.DataFrame[源代码]#: 构建 Prophet 数据，用于拟合和预测。

clone(self)#

使用相同的参数和随机状态构造一个新的组件。

返回: 此组件的新实例，具有相同的参数和随机状态。

default_parameters(cls) → dict#

返回此组件的默认参数。

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, 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 or dict

property feature_importance(self) → numpy.ndarray#: 返回长度为 1 的全 0 数组，因为 Prophet 回归器未定义特征重要性。

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

将 Prophet 回归器组件拟合到数据。

参数

X (pd.DataFrame) – 输入训练数据，形状为 [n_样本数, n_特征数]。
y (pd.Series) – 目标训练数据，长度为 [n_样本数]。

返回

self

get_params(self) → dict[源代码]#: 获取 Prophet 回归器的参数。

使用已拟合的 ProphetRegressor 查找预测区间。

参数

X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
y (pd.Series) – 目标数据。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) – 不用于 Prophet 估计器。

返回

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) – 加载文件的位置。
返回: ComponentBase object

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, y: Optional[pandas.Series] = None) → pandas.Series[source]#

使用已拟合的 Prophet 回归器进行预测。

参数

X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
y (pd.Series) – 目标数据。被忽略。

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
引发异常: 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) – 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, optional) – 如果为 True，将设置 _is_fitted 为 False。

class evalml.pipelines.components.estimators.regressors.RandomForestRegressor(n_estimators: int = 100, max_depth: int = 6, n_jobs: int = -1, random_seed: Union[int, float] = 0, **kwargs)[source]#

随机森林回归器。

参数

n_estimators (float) – 森林中的树数量。默认为 100。
max_depth (int) – Base学习器的最大树深度。默认为 6。
allow_writing_files (boolean) – 训练期间是否允许写入快照文件。默认为 False。
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_depth”: Integer(1, 32),}
model_family	ModelFamily.RANDOM_FOREST
modifies_features	True
modifies_target	False
name	随机森林回归器
supported_problem_types	CatBoost 回归器
training_only	False

方法

`clone`	使用相同的参数和随机状态构造一个新的组件。
`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`	决策树回归器
`fit`	返回与每个特征相关的重要性。
`get_prediction_intervals`	使用已拟合的 RandomForestRegressor 查找预测区间。
`load`	从文件路径加载组件。
`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`	将估计器拟合到数据。
`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)#

使用相同的参数和随机状态构造一个新的组件。

返回: 此组件的新实例，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, 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 or dict

property feature_importance(self) → pandas.Series#

决策树回归器

返回: property feature_importance(self) → pandas.Series#
返回类型: 与每个特征相关的重要性。
引发异常: np.ndarray

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

返回与每个特征相关的重要性。

参数

X (pd.DataFrame) – 输入训练数据，形状为 [n_样本数, n_特征数]。
fit(self, X: pandas.DataFrame, y: Optional[pandas.Series] = None)#

返回

self

使用已拟合的 RandomForestRegressor 查找预测区间。

参数

X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
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

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) – 加载文件的位置。
返回: ComponentBase object

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#

将估计器拟合到数据。

参数: X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
返回: 预测值。
返回类型: pd.Series
引发异常: predict(self, X: pandas.DataFrame) → pandas.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
引发异常: 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) – 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, optional) – 如果为 True，将设置 _is_fitted 为 False。

class evalml.pipelines.components.estimators.regressors.SVMRegressor(C=1.0, kernel='rbf', gamma='auto', random_seed=0, **kwargs)[source]#

支持向量机回归器。

参数

C (float) – 正则化参数。正则化强度与 C 成反比。必须是严格正数。惩罚项为平方 l2 惩罚。默认为 1.0。
kernel ({"poly", "rbf", "sigmoid"}) – 指定算法中使用的核类型。默认为 “rbf”。
gamma ({"scale", "auto"} or float) – “rbf”、“poly” 和 “sigmoid” 的核系数。默认为 “auto”。 - 如果 gamma='scale'，则使用 1 / (n_features * X.var()) 作为 gamma 值 - 如果为 “auto”（默认），则使用 1 / n_features
random_seed (int) – 随机数生成器的种子。默认为 0。

属性

hyperparameter_ranges	{ “C”: Real(0, 10), “kernel”: [“poly”, “rbf”, “sigmoid”], “gamma”: [“scale”, “auto”],}
model_family	ModelFamily.SVM
modifies_features	True
modifies_target	False
name	SVM 回归器
supported_problem_types	[ ProblemTypes.REGRESSION, ProblemTypes.TIME_SERIES_REGRESSION,]
training_only	False

方法

`clone`	使用相同的参数和随机状态构造一个新的组件。
`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`	已拟合 SVM 回归器的特征重要性。
`fit`	返回与每个特征相关的重要性。
`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，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`	将估计器拟合到数据。
`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)#

使用相同的参数和随机状态构造一个新的组件。

返回: 此组件的新实例，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, 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 or dict

property feature_importance(self)#

已拟合 SVM 回归器的特征重要性。

仅在线性核下有效。如果核不是线性，则返回零的 numpy 数组。

返回: 已拟合 SVM 回归器的特征重要性，如果核不是线性，则为零数组。

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

返回与每个特征相关的重要性。

参数

X (pd.DataFrame) – 输入训练数据，形状为 [n_样本数, n_特征数]。
fit(self, X: pandas.DataFrame, y: Optional[pandas.Series] = None)#

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。

参数

X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
y (pd.Series) – 目标数据。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

引发异常

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 object

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#

将估计器拟合到数据。

参数: X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
返回: 预测值。
返回类型: pd.Series
引发异常: predict(self, X: pandas.DataFrame) → pandas.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
引发异常: 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) – 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, optional) – 如果为 True，将设置 _is_fitted 为 False。

class evalml.pipelines.components.estimators.regressors.TimeSeriesBaselineEstimator(gap=1, forecast_horizon=1, random_seed=0, **kwargs)[source]#

使用朴素预测方法进行预测的时间序列估计器。

这对于时间序列问题来说是一个简单的基线估计器。

参数

gap (int) – 预测日期和目标日期之间的间隔，必须是正整数。如果 gap 为 0，目标日期将向前移动 1 个时间周期。默认为 1。
forecast_horizon (int) – 模型预期预测的时间步数。
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	时间序列基线估计器
supported_problem_types	[ ProblemTypes.TIME_SERIES_REGRESSION, ProblemTypes.TIME_SERIES_BINARY, ProblemTypes.TIME_SERIES_MULTICLASS,]
training_only	False

方法

`clone`	使用相同的参数和随机状态构造一个新的组件。
`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`	决策树回归器
`fit`	将时间序列基线估计器拟合到数据。
`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`	使用已拟合的时间序列基线估计器进行预测。
`predict_proba`	使用已拟合的时间序列基线估计器进行预测概率。
`save`	将组件保存到文件路径。
`update_parameters`	更新组件的参数字典。

clone(self)#

使用相同的参数和随机状态构造一个新的组件。

返回: 此组件的新实例，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, 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 or dict

property feature_importance(self)#

决策树回归器

由于基准估计器不使用输入特征计算预测结果，因此返回全零数组。

返回: 一个零数组。
返回类型: np.ndarray (float)

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

将时间序列基线估计器拟合到数据。

参数

X (pd.DataFrame) – 输入训练数据，形状为 [n_样本数, n_特征数]。
y (pd.Series) – 目标训练数据，长度为 [n_样本数]。

返回

self

引发异常

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。

参数

X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
y (pd.Series) – 目标数据。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

引发异常

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 object

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)[source]#

使用已拟合的时间序列基线估计器进行预测。

参数: X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
返回: 预测值。
返回类型: pd.Series
引发异常: ValueError – 如果输入 y 为 None。

predict_proba(self, X)[source]#

使用已拟合的时间序列基线估计器进行预测概率。

参数: X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
返回: 预测概率值。
返回类型: predict(self, X)[source]#
引发异常: ValueError – 如果输入 y 为 None。

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, optional) – 如果为 True，将设置 _is_fitted 为 False。

class evalml.pipelines.components.estimators.regressors.VARMAXRegressor(time_index: Optional[Hashable] = None, p: int = 1, q: int = 0, trend: Optional[str] = 'c', random_seed: Union[int, float] = 0, maxiter: int = 10, use_covariates: bool = False, **kwargs)[source]#

带外生回归器的向量自回归移动平均模型。两个参数 (p, q) 分别是 AR 阶数和 MA 阶数。更多信息请参阅： https://statsmodels.cn/stable/generated/statsmodels.tsa.statespace.varmax.VARMAX.html。

目前 VARMAXRegressor 不支持通过 conda 安装。建议通过 PyPI 安装。

参数

time_index (str) – 指定 X 中提供日期时间对象的列的名称。默认为 None。
p (int) – 最大自回归阶数。默认为 1。
q (int) – 最大移动平均阶数。默认为 0。
trend (str) – 控制确定性趋势。选项包括 ['n', 'c', 't', 'ct']，其中 'c' 表示常数项，'t' 表示线性趋势，'ct' 表示两者。在定义多项式时也可以是可迭代对象，例如 [1, 1, 0, 1]。
random_seed (int) – 随机数生成器的种子。默认为 0。
max_iter (int) – 解算器的最大迭代次数。默认为 10。
use_covariates (bool) – 如果为 True，将在 fit/predict 方法中传递外生变量。如果为 False，预测将仅基于日期时间和目标值。默认为 True。

属性

hyperparameter_ranges	{ “p”: Integer(1, 10), “q”: Integer(1, 10), “trend”: Categorical([‘n’, ‘c’, ‘t’, ‘ct’]),}
model_family	ModelFamily.VARMAX
modifies_features	True
modifies_target	False
name	VARMAX 回归器
supported_problem_types	[ProblemTypes.MULTISERIES_TIME_SERIES_REGRESSION]
training_only	False

方法

`clone`	使用相同的参数和随机状态构造一个新的组件。
`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`	返回长度为 1 的 0 数组，因为 VARMAX 回归器未定义 feature_importance。
`fit`	将 VARMAX 回归器拟合到数据。
`get_prediction_intervals`	使用已拟合的 VARMAXRegressor 查找预测区间。
`load`	从文件路径加载组件。
`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`	使用已拟合的 VARMAX 回归器进行预测。
`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)#

使用相同的参数和随机状态构造一个新的组件。

返回: 此组件的新实例，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, 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 or dict

property feature_importance(self) → numpy.ndarray#: 返回长度为 1 的 0 数组，因为 VARMAX 回归器未定义 feature_importance。

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

将 VARMAX 回归器拟合到数据。

参数

X (pd.DataFrame) – 输入训练数据，形状为 [n_样本数, n_特征数]。
y (pd.DataFrane) – 目标训练数据，形状为 [n_samples, n_series_id_values]。

返回

self

引发异常

ValueError – 如果未传入 y。

get_prediction_intervals(self, X: pandas.DataFrame, y: pandas.DataFrame = None, coverage: List[float] = None, predictions: pandas.Series = None) → Dict[str, pandas.Series][source]#

使用已拟合的 VARMAXRegressor 查找预测区间。

参数

X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
y (pd.DataFrame) – 目标数据，形状为 [n_samples, n_series_id_values]。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) – VARMAX 回归器未使用此参数。

返回

预测区间的字典，字典格式为 {series_id: {coverage}_lower 或 {coverage}_upper}。

返回类型

dict[dict]

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 object

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, y: Optional[pandas.DataFrame] = None) → pandas.Series[source]#

使用已拟合的 VARMAX 回归器进行预测。

参数

X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
y (pd.DataFrame) – 目标数据，形状为 [n_samples, n_series_id_values]。

返回

预测值。

返回类型

pd.Series

引发异常

ValueError – 如果 X 已传递给 fit 但未传递给 predict。

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
引发异常: 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) – 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, optional) – 如果为 True，将设置 _is_fitted 为 False。

class evalml.pipelines.components.estimators.regressors.XGBoostRegressor(eta: float = 0.1, max_depth: int = 6, min_child_weight: int = 1, n_estimators: int = 100, random_seed: Union[int, float] = 0, n_jobs: int = 12, **kwargs)[source]#

XGBoost 回归器。

参数

eta (float) – Boosting 学习率。默认为 0.1。
max_depth (int) – Base学习器的最大树深度。默认为 6。
min_child_weight (float) – 子节点所需的实例权重 (hessian) 的最小总和。默认为 1.0
n_estimators (int) – 梯度提升树的数量。等同于 boosting 轮数。默认为 100。
random_seed (int) – 随机数生成器的种子。默认为 0。
n_jobs (int) – 运行 xgboost 使用的并行线程数。请注意，创建线程竞争会显著降低算法速度。默认为 12。

属性

hyperparameter_ranges	{ “eta”: Real(0.000001, 1), “max_depth”: Integer(1, 20), “min_child_weight”: Real(1, 10), “n_estimators”: Integer(1, 1000),}
model_family	ModelFamily.XGBOOST
modifies_features	True
modifies_target	False
name	XGBoost 回归器
SEED_MAX	无
SEED_MIN	无
supported_problem_types	CatBoost 回归器
training_only	False

方法

`clone`	使用相同的参数和随机状态构造一个新的组件。
`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`	已拟合 XGBoost 回归器的特征重要性。
`fit`	将 XGBoost 回归器组件拟合到数据。
`get_prediction_intervals`	使用已拟合的 XGBoostRegressor 查找预测区间。
`load`	从文件路径加载组件。
`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`	使用已拟合的 XGBoost 回归器进行预测。
`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)#

使用相同的参数和随机状态构造一个新的组件。

返回: 此组件的新实例，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, 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 or dict

property feature_importance(self) → pandas.Series#: 已拟合 XGBoost 回归器的特征重要性。

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

将 XGBoost 回归器组件拟合到数据。

参数

X (pd.DataFrame) – 输入训练数据，形状为 [n_样本数, n_特征数]。
fit(self, X: pandas.DataFrame, y: Optional[pandas.Series] = None)#

返回

self

使用已拟合的 XGBoostRegressor 查找预测区间。

参数

X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
y (pd.Series) – 目标数据。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) – 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

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 object

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]#

使用已拟合的 XGBoost 回归器进行预测。

参数: X (pd.DataFrame) – 数据，形状为 [n_样本数, n_特征数]。
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
引发异常: 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) – 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, optional) – 如果为 True，将设置 _is_fitted 为 False。