`sklearn.dummy`.DummyRegressor¶

class sklearn.dummy.DummyRegressor¶

DummyRegressor es un regresor que hace predicciones usando reglas simples.

Este regresor es útil como una simple línea de base para comparar con otros regresores (reales). No lo utilice para problemas reales.

Más información en el Manual de usuario.

Nuevo en la versión 0.13.

Parámetros

strategy{«mean», «median», «quantile», «constant»}, default=»mean»

Estrategia a utilizar para generar predicciones.

«mean»: siempre predice la media del conjunto de entrenamiento
«median»: siempre predice la mediana del conjunto de entrenamiento
«quantile»: siempre predice un cuantil especificado del conjunto de entrenamiento, proporcionado con el parámetro quantile.
«constant»: siempre predice un valor constante proporcionado por el usuario.

constantint o float o array-like de forma (n_outputs,), default=None

La constante explícita predicha por la estrategia «constant». Este parámetro sólo es útil para la estrategia «constant».

quantilefloat en [0.0, 1.0], default=None

El cuantil a predecir mediante la estrategia «quantile». Un cuantil de 0,5 corresponde a la mediana, mientras que 0,0 al mínimo y 1,0 al máximo.

Atributos

constant_ndarray de forma (1, n_outputs): Media, mediana o cuantil de los objetivos de entrenamiento o valor constante dado por el usuario.
n_outputs_int: Número de salidas.

Ejemplos

>>> 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

Métodos

`fit`	Ajuste del regresor aleatorio.
`get_params`	Obtiene los parámetros para este estimador.
`predict`	Realiza la clasificación en los vectores de prueba X.
`score`	Devuelve el coeficiente de determinación `R^2` de la predicción.
`set_params`	Establece los parámetros de este estimador.

fit()¶

Ajuste del regresor aleatorio.

Parámetros

Xarray-like de forma (n_samples, n_features): Datos de entrenamiento.
yarray-like de forma (n_samples,) o (n_samples, n_outputs): Valores objetivo.
sample_weightarray-like de forma (n_samples,), default=None: Ponderaciones de la muestra.

Devuelve

selfobject

get_params()¶

Obtiene los parámetros para este estimador.

Parámetros

deepbool, default=True: Si es True, devolverá los parámetros para este estimador y los subobjetos contenidos que son estimadores.

Devuelve

paramsdict: Nombres de parámetros asignados a sus valores.

predict()¶

Realiza la clasificación en los vectores de prueba X.

Parámetros

Xarray-like de forma (n_samples, n_features): Datos de prueba.
return_stdbool, default=False: Si se devuelve la desviación estándar de la predicción posterior. Todos ceros en este caso.

Nuevo en la versión 0.20.

Devuelve

yarray-like de forma (n_samples,) o (n_samples, n_outputs): Valores objetivo predichos para X.
y_stdarray-like de forma (n_samples,) o (n_samples, n_outputs): Desviación estándar de la distribución predictiva de los puntos de consulta.

score()¶

Devuelve el coeficiente de determinación R^2 de la predicción.

El coeficiente R^2 se define como (1 - u/v), donde u es la suma de cuadrados residual ((y_true - y_pred) ** 2).sum() y v es la suma de cuadrados total ((y_true - y_true.mean()) ** 2).sum(). La mejor puntuación posible es 1,0 y puede ser negativa (porque el modelo puede ser arbitrariamente peor). Un modelo constante que siempre predice el valor esperado de y, sin tener en cuenta las características de entrada, obtendría una puntuación R^2 de 0,0.

Parámetros

XNone o array-like de forma (n_samples, n_features): Muestras de prueba. Pasar None como muestras de prueba da el mismo resultado que pasar muestras de prueba reales, ya que DummyRegressor opera independientemente de las observaciones muestreadas.
yarray-like de forma (n_samples,) o (n_samples, n_outputs): Valores True para X.
sample_weightarray-like de forma (n_samples,), default=None: Ponderaciones de la muestra.

Devuelve

scorefloat: R^2 de self.predict(X) con respecto a y.

set_params()¶

Establece los parámetros de este estimador.

El método funciona tanto en estimadores simples como con objetos anidados (como Pipeline). Estos últimos tienen parámetros de la forma ``<component>__<parameter>` para que sea posible actualizar cada componente de un objeto anidado.

Parámetros

**paramsdict: Parámetros del estimador.

Devuelve

selfinstancia del estimador: Instancia del estimador.

Ejemplos usando `sklearn.dummy.DummyRegressor`¶

sklearn.dummy.DummyRegressor¶

Ejemplos usando sklearn.dummy.DummyRegressor¶

`sklearn.dummy`.DummyRegressor¶

Ejemplos usando `sklearn.dummy.DummyRegressor`¶