xgboost_regressor#

XGBoost 回归器。

模块内容#

类摘要#

XGBoostRegressor

XGBoost 回归器。

内容#

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

XGBoost 回归器。

参数

eta (float) – Boosting 学习率。默认为 0.1。
max_depth (int) – 基础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) – 用于运行 xgboost 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

超参数范围	{ “eta”: Real(0.000001, 1), “max_depth”: Integer(1, 20), “min_child_weight”: Real(1, 10), “n_estimators”: Integer(1, 1000),}
模型族	ModelFamily.XGBOOST
修改特征	True
修改目标	False
名称	XGBoost 回归器
SEED_MAX	None
SEED_MIN	None
支持的问题类型	[ ProblemTypes.REGRESSION, ProblemTypes.TIME_SERIES_REGRESSION, ProblemTypes.MULTISERIES_TIME_SERIES_REGRESSION,]
仅训练	False

方法

`克隆`	构建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`	描述组件及其参数。
`特征重要性`	已拟合的 XGBoost 回归器的特征重要性。
`拟合`	将 XGBoost 回归器组件拟合到数据。
`获取预测区间`	使用已拟合的 XGBoostRegressor 查找预测区间。
`加载`	加载文件路径处的组件。
`需要拟合`	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。
`参数`	返回用于初始化组件的参数。
`预测`	使用已拟合的 XGBoost 回归器进行预测。
`预测概率`	对标签进行概率估计。
`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)[源代码]#

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)[源代码]#

描述组件及其参数。

参数

print_name (bool, optional) – 是否打印组件名称
return_dict (bool, optional) – 是否以 {"name": name, "parameters": parameters} 的格式返回字典描述

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

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

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

将 XGBoost 回归器组件拟合到数据。

参数

X (pd.DataFrame) – 形状为 [n_samples, n_features] 的输入训练数据。
y (pd.Series, optional) – 长度为 [n_samples] 的目标训练数据。

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][源代码]#

使用已拟合的 XGBoostRegressor 查找预测区间。

参数

X (pd.DataFrame) – 形状为 [n_samples, n_features] 的数据。
y (pd.Series) – 目标数据。忽略。
coverage (List[float]) – 一个包含 0 到 1 之间浮点数的列表，将为其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

静态 load(file_path)#

加载文件路径处的组件。

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

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。

属性 parameters(self)#: 返回用于初始化组件的参数。

predict(self, X: pandas.DataFrame) → pandas.Series[源代码]#

使用已拟合的 XGBoost 回归器进行预测。

参数: X (pd.DataFrame) – 形状为 [n_samples, n_features] 的数据。
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: 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, optional) – 如果为 True，将设置 _is_fitted 为 False。