target_imputer#

根据指定填充策略填充缺失目标数据的组件。

模块内容#

类摘要#

`TargetImputer`	根据指定填充策略填充缺失目标数据。
`TargetImputerMeta`	ComponentBaseMeta 类的一个版本，处理输入特征为 None 的情况。

目录#

class evalml.pipelines.components.transformers.imputers.target_imputer.TargetImputer(impute_strategy='most_frequent', fill_value=None, random_seed=0, **kwargs)[source]#

根据指定填充策略填充缺失目标数据。

参数

impute_strategy (string) – 使用的填充策略。有效值包括：对于数值数据，为“mean”、“median”、“most_frequent”、“constant”；对于对象数据类型，为“most_frequent”、“constant”。默认为“most_frequent”。
fill_value (string) – 当 impute_strategy == “constant” 时，使用 fill_value 替换缺失数据。默认为 None，表示在填充数值数据时使用 0，对于字符串或对象数据类型使用“missing_value”。
random_seed (int) – 随机数生成器的种子。默认为 0。

属性

hyperparameter_ranges	{ “impute_strategy”: [“mean”, “median”, “most_frequent”]}
modifies_features	False
modifies_target	True
name	目标填充器
training_only	False

方法

`clone`	使用相同的参数和随机状态构造一个新组件。
`default_parameters`	返回此组件的默认参数。
`describe`	描述一个组件及其参数。
`fit`	将填充器拟合到目标数据。在填充之前，'None' 值被转换为 np.nan 并被视为相同。
`fit_transform`	拟合并转换输入目标数据。
`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。
`save`	将组件保存到文件路径。
`transform`	通过填充缺失值来转换输入目标数据。‘None’ 和 np.nan 值被视为相同。
`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) – 是否以 {“name”: name, “parameters”: parameters} 格式将描述作为字典返回

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

fit(self, X, y)[source]#

将填充器拟合到目标数据。‘None’ 值被转换为 np.nan 在填充之前，并被视为相同。

参数

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

返回

self

引发

TypeError – 如果目标数据全部填充为 null 值。

fit_transform(self, X, y)[source]#

拟合并转换输入目标数据。

参数

X (pd.DataFrame) – 特征。忽略。
y (pd.Series) – 要填充的目标数据。

返回

原始的 X，转换后的 y

返回类型

(pd.DataFrame, pd.Series)

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 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起作用的组件，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。

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。

transform(self, X, y)[source]#

通过填充缺失值来转换输入目标数据。‘None’ 和 np.nan 值被视为相同。

参数

X (pd.DataFrame) – 特征。忽略。
y (pd.Series) – 要填充的目标数据。

返回

原始的 X，转换后的 y

返回类型

(pd.DataFrame, pd.Series)

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 _is_fitted 设置为 False。

class evalml.pipelines.components.transformers.imputers.target_imputer.TargetImputerMeta[source]#

ComponentBaseMeta 类的一个版本，处理输入特征为 None 的情况。

属性

FIT_METHODS	[‘fit’, ‘fit_transform’]
METHODS_TO_CHECK	[‘predict’, ‘predict_proba’, ‘transform’, ‘inverse_transform’, ‘get_trend_dataframe’]
PROPERTIES_TO_CHECK	[‘feature_importance’]

方法

`check_for_fit`	check_for_fit 包装了一个方法，该方法验证 self._is_fitted 是否为 True。
`register`	注册 ABC 的一个虚拟子类。
`set_fit`	fit 方法的包装器。

classmethod check_for_fit(cls, method)[source]#

check_for_fit 包装了一个方法，该方法验证 self._is_fitted 是否为 True。

参数: method (callable) – 要包装的方法。
引发: ComponentNotYetFittedError – 如果组件尚未拟合。
返回: 包装后的输入方法。

register(cls, subclass)#

返回子类，以便用作类装饰器。

classmethod set_fit(cls, method)#: fit 方法的包装器。