linear_regressor#

线性回归器。

模块内容#

类摘要#

LinearRegressor

线性回归器。

目录#

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

线性回归器。

参数

fit_intercept (布尔值) – 是否为该模型计算截距。如果设置为 False，则计算中不使用截距（即预期数据已中心化）。默认为 True。
n_jobs (整数或 None) – 并行运行的作业数量。-1 表示使用所有线程。默认为 -1。
random_seed (整数) – 随机数生成器的种子。默认为 0。

属性

hyperparameter_ranges	{ “fit_intercept”: [True, False],}
model_family	ModelFamily.LINEAR_MODEL
modifies_features	True
modifies_target	False
名称	线性回归器
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`	已拟合线性回归器的特征重要性。
`fit`	将估计器拟合到数据。
`get_prediction_intervals`	使用已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，确定在调用 predict、predict_proba、transform 或 feature_importances 之前组件是否需要拟合。
`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。
`update_parameters`	更新组件的参数字典。

clone(self)#

构造具有相同参数和随机状态的新组件。

返回: 具有相同参数和随机状态的此组件的新实例。

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

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)#

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]#

使用已拟合的回归器查找预测区间。

此函数使用窗口大小为 5 计算已拟合估计器预测值的滚动标准差。通过计算每个边界处下尾概率的百分点（分位数）函数乘以滚动标准差来确定较低和较高的预测值。

参数

X (pd.DataFrame) – 数据，形状为 [n_samples, n_features]。
y (pd.Series) – 目标数据。被忽略。
coverage (浮点数列表) – 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) – 可选的预测值列表。如果为 None，将使用 X 生成预测值。

返回

预测区间，键的格式为 {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作为问题类型。

static load(file_path)#

从文件路径加载组件。

参数: file_path (字符串) – 文件加载位置。
返回: ComponentBase object

needs_fitting(self)#

返回布尔值，确定在调用 predict、predict_proba、transform 或 feature_importances 之前组件是否需要拟合。

对于不需要拟合或其拟合方法不做任何事情的组件，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#

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
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#

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
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 (字符串) – 文件保存位置。
pickle_protocol (整数) – 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 (字典) – 要更新的参数字典。
reset_fit (布尔值, 可选) – 如果为 True，将设置 _is_fitted 为 False。