DummyRegressor#

class sklearn.dummy.DummyRegressor(*, strategy='mean', constant=None, quantile=None)[原始碼]#

使用簡單規則進行預測的回歸器。

這個回歸器可用作與其他（真實）回歸器比較的簡單基準。 請勿將其用於實際問題。

在使用者指南中閱讀更多內容。

於 0.13 版本新增。

參數:
strategy{“mean”, “median”, “quantile”, “constant”}, default=”mean”

用於產生預測的策略。

  • “mean”: 總是預測訓練集的平均值

  • “median”: 總是預測訓練集的中位數

  • “quantile” (分位數): 總是預測訓練集中指定的分位數，並由 quantile 參數提供。

  • “constant” (常數): 總是預測使用者提供的常數值。

constantint 或 float 或形狀為 (n_outputs,) 的類陣列，預設值為 None

由 “constant” 策略預測的明確常數。此參數僅對 “constant” 策略有效。

quantile[0.0, 1.0] 範圍內的浮點數，預設值為 None

使用 “quantile” 策略預測的分位數。0.5 的分位數對應到中位數，0.0 對應到最小值，1.0 對應到最大值。

屬性:
constant_形狀為 (1, n_outputs) 的 ndarray

訓練目標的平均值、中位數或分位數，或是使用者提供的常數值。

n_features_in_int

在 fit 期間看到的特徵數量。

feature_names_in_形狀為 (n_features_in_,) 的 ndarray

在 fit 期間看到的特徵名稱。僅當 X 的特徵名稱都是字串時才定義。

n_outputs_int

輸出數量。

另請參閱

DummyClassifier

使用簡單規則進行預測的分類器。

範例

>>> import numpy as np
>>> from sklearn.dummy import DummyRegressor
>>> X = np.array([1.0, 2.0, 3.0, 4.0])
>>> y = np.array([2.0, 3.0, 5.0, 10.0])
>>> dummy_regr = DummyRegressor(strategy="mean")
>>> dummy_regr.fit(X, y)
DummyRegressor()
>>> dummy_regr.predict(X)
array([5., 5., 5., 5.])
>>> dummy_regr.score(X, y)
0.0
fit(X, y, sample_weight=None)[原始碼]#

擬合基準迴歸器。

參數:
X形狀為 (n_samples, n_features) 的類陣列

訓練資料。

y形狀為 (n_samples,) 或 (n_samples, n_outputs) 的類陣列

目標值。

sample_weight形狀為 (n_samples,) 的類陣列，預設值為 None

樣本權重。

回傳值:
self物件

擬合後的估計器。

get_metadata_routing()[原始碼]#

取得此物件的中繼資料路由。

請查看 使用者指南 以了解路由機制如何運作。

回傳值:
routingMetadataRequest

一個 MetadataRequest，封裝路由資訊。

get_params(deep=True)[原始碼]#

取得此估計器的參數。

參數:
deep布林值，預設值為 True

如果為 True，將回傳此估計器和包含的子物件（為估計器）的參數。

回傳值:
paramsdict

參數名稱對應到它們的值。

predict(X, return_std=False)[原始碼]#

對測試向量 X 執行分類。

參數:
X形狀為 (n_samples, n_features) 的類陣列

測試資料。

return_std布林值，預設值為 False

是否回傳後驗預測的標準差。在此情況下皆為零。

新增於 0.20 版本。

回傳值:
y形狀為 (n_samples,) 或 (n_samples, n_outputs) 的類陣列

X 的預測目標值。

y_std形狀為 (n_samples,) 或 (n_samples, n_outputs) 的類陣列

查詢點的預測分布的標準差。

score(X, y, sample_weight=None)[原始碼]#

回傳預測的決定係數 R^2。

係數 R^2 定義為 (1 - u/v)，其中 u 是殘差平方和 ((y_true - y_pred) ** 2).sum()，而 v 是總平方和 ((y_true - y_true.mean()) ** 2).sum()。最佳可能分數為 1.0，並且可以為負值 (因為模型可能任意地更差)。一個總是預測 y 的期望值，而不考慮輸入特徵的常數模型，將獲得 0.0 的 R^2 分數。

參數:
XNone 或形狀為 (n_samples, n_features) 的類陣列

測試樣本。將 None 作為測試樣本傳遞，會得到與傳遞實際測試樣本相同的結果，因為 DummyRegressor 的運作獨立於抽樣觀察結果。

y形狀為 (n_samples,) 或 (n_samples, n_outputs) 的類陣列

X 的真實值。

sample_weight形狀為 (n_samples,) 的類陣列，預設值為 None

樣本權重。

回傳值:
score浮點數

self.predict(X) 相對於 y 的 R^2。

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → DummyRegressor[原始碼]#

請求傳遞到 fit 方法的中繼資料。

請注意，只有在 enable_metadata_routing=True 時，此方法才相關 (請參閱 sklearn.set_config)。關於路由機制如何運作，請參閱 使用者指南。

每個參數的選項如下：

  • True：請求中繼資料，並且在提供時傳遞給 fit。如果未提供中繼資料，則會忽略該請求。

  • False：不請求中繼資料，並且元估計器不會將其傳遞給 fit。

  • None：不請求中繼資料，如果使用者提供，則元估計器會引發錯誤。

  • str：中繼資料應使用此給定的別名（而不是原始名稱）傳遞給元估計器。

預設值 (sklearn.utils.metadata_routing.UNCHANGED) 會保留現有的請求。這允許您變更某些參數的請求，而其他參數則不變。

在 1.3 版本中新增。

注意

只有當此估計器用作元估計器的子估計器時，此方法才相關，例如在 Pipeline 中使用。否則，它沒有任何作用。

參數:
sample_weightstr、True、False 或 None，預設值為 sklearn.utils.metadata_routing.UNCHANGED

在 fit 中，用於 sample_weight 參數的中繼資料路由。

回傳值:
self物件

更新後的物件。

set_params(**params)[原始碼]#

設定此估計器的參數。

此方法適用於簡單的估計器以及巢狀物件（例如 Pipeline）。後者具有 <component>__<parameter> 形式的參數，因此可以更新巢狀物件的每個元件。

參數:
**paramsdict

估計器參數。

回傳值:
self估計器實例

估計器實例。

set_predict_request(*, return_std: bool | None | str = '$UNCHANGED$') → DummyRegressor[原始碼]#

請求傳遞到 predict 方法的中繼資料。

請注意，只有在 enable_metadata_routing=True 時，此方法才相關 (請參閱 sklearn.set_config)。關於路由機制如何運作，請參閱 使用者指南。

每個參數的選項如下：

  • True：請求中繼資料，並且在提供時傳遞給 predict。如果未提供中繼資料，則會忽略該請求。

  • False：不請求中繼資料，並且元估計器不會將其傳遞給 predict。

  • None：不請求中繼資料，如果使用者提供，則元估計器會引發錯誤。

  • str：中繼資料應使用此給定的別名（而不是原始名稱）傳遞給元估計器。

預設值 (sklearn.utils.metadata_routing.UNCHANGED) 會保留現有的請求。這允許您變更某些參數的請求，而其他參數則不變。

在 1.3 版本中新增。

注意

只有當此估計器用作元估計器的子估計器時，此方法才相關，例如在 Pipeline 中使用。否則，它沒有任何作用。

參數:
return_stdstr、True、False 或 None，預設值為 sklearn.utils.metadata_routing.UNCHANGED

在 predict 中，用於 return_std 參數的中繼資料路由。

回傳值:
self物件

更新後的物件。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → DummyRegressor[原始碼]#

請求傳遞給 score 方法的中繼資料。

請注意，只有在 enable_metadata_routing=True 時，此方法才相關 (請參閱 sklearn.set_config)。關於路由機制如何運作，請參閱 使用者指南。

每個參數的選項如下：

  • True：請求中繼資料，並在提供時傳遞給 score。如果未提供中繼資料，則會忽略該請求。

  • False：不請求中繼資料，並且元估計器不會將其傳遞給 score。

  • None：不請求中繼資料，如果使用者提供，則元估計器會引發錯誤。

  • str：中繼資料應使用此給定的別名（而不是原始名稱）傳遞給元估計器。

預設值 (sklearn.utils.metadata_routing.UNCHANGED) 會保留現有的請求。這允許您變更某些參數的請求，而其他參數則不變。

在 1.3 版本中新增。

注意

只有當此估計器用作元估計器的子估計器時，此方法才相關，例如在 Pipeline 中使用。否則，它沒有任何作用。

參數:
sample_weightstr、True、False 或 None，預設值為 sklearn.utils.metadata_routing.UNCHANGED

用於 score 中 sample_weight 參數的中繼資料路由。

回傳值:
self物件

更新後的物件。