rf_regressor#

随机森林回归器。

模块内容#

类摘要#

RandomForestRegressor

随机森林回归器。

目录#

class evalml.pipelines.components.estimators.regressors.rf_regressor.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) – 森林中的树木数量。默认为 100。
max_depth (int) – 基本学习器的最大树深度。默认为 6。
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_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	[ ProblemTypes.REGRESSION, ProblemTypes.TIME_SERIES_REGRESSION, ProblemTypes.MULTISERIES_TIME_SERIES_REGRESSION,]
training_only	False

方法

`clone`	使用相同的参数和随机状态构建一个新组件。
`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特征重要性。
`fit`	将估计器拟合到数据。
`get_prediction_intervals`	使用拟合好的 RandomForestRegressor 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`	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建一个新组件。

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

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特征重要性。

返回: 与每个特征相关的特征重要性。
返回类型: np.ndarray
抛出: MethodPropertyNotFoundError – 如果估计器没有 feature_importance 方法，或者 component_obj 没有实现 feature_importance。

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][source]#

使用拟合好的 RandomForestRegressor 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]) – 一个包含介于 0 和 1 之间的浮点数的列表，用于计算预测区间的上下界。
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

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: 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
抛出: MethodPropertyNotFoundError – 如果估计器没有 predict 方法，或者 component_obj 没有实现 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
抛出: MethodPropertyNotFoundError – 如果估计器没有 predict_proba 方法，或者 component_obj 没有实现 predict_proba。

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。