`sklearn.ensemble`.VotingRegressor¶

class sklearn.ensemble.VotingRegressor¶

Regresor de predicción de voto para estimadores no ajustados.

Un regresor de voto es un metaestimador de ensemble que se ajusta a varios regresores de base, cada uno en todo el conjunto de datos. Luego promedian las predicciones individuales para formar una predicción final.

Más información en Manual de usuario.

Nuevo en la versión 0.21.

Parámetros

estimadoreslista de tuplas (str, estimator): Invocando el método fit en el VotingRegressor ajustará los clones de los estimadores originales que serán almacenados en el atributo de clase self.estimators_'. Un estimador puede establecerse a ``'drop' usando set_params.

Distinto en la versión 0.21: 'drop' es aceptado. El uso de None quedó obsoleto en la versión 0.22 y se eliminó el soporte en la 0.24.
ponderacionesarray-like de forma (n_regressors,), default=None: Secuencia de ponderaciones (float o int) para considerar las ocurrencias de los valores predichos antes de promediar. Utiliza ponderaciones uniformes si None.
n_jobsint, default=None: El número de trabajos a ejecutar en paralelo para fit. None significa 1 a menos que sea en un contexto joblib.parallel_backend. -1 significa usar todos los procesadores. Ver Glosario para más detalles.
verbosebool, default=False: Si es cierto, el tiempo transcurrido mientras se ajusta se imprimirá a medida que se complete.

Nuevo en la versión 0.23.

Atributos

estimators_lista de regresores: La colección de subestimadores ajustados como se define en estimators que no son “drop”.
named_estimators_Bunch: Atributo para acceder a cualquier subestimador ajustado por su nombre.

Nuevo en la versión 0.20.

Ver también

VotingClassifier: Clasificador de voto blando/regla de la mayoría.

Ejemplos

>>> import numpy as np
>>> from sklearn.linear_model import LinearRegression
>>> from sklearn.ensemble import RandomForestRegressor
>>> from sklearn.ensemble import VotingRegressor
>>> r1 = LinearRegression()
>>> r2 = RandomForestRegressor(n_estimators=10, random_state=1)
>>> X = np.array([[1, 1], [2, 4], [3, 9], [4, 16], [5, 25], [6, 36]])
>>> y = np.array([2, 6, 12, 20, 30, 42])
>>> er = VotingRegressor([('lr', r1), ('rf', r2)])
>>> print(er.fit(X, y).predict(X))
[ 3.3  5.7 11.8 19.7 28.  40.3]

Métodos

`fit`	Ajusta los estimadores.
`fit_transform`	Devuelve etiquetas de clase o probabilidades para cada estimador.
`get_params`	Obtiene los parámetros de un estimador del ensemble.
`predict`	Predice el objetivo de regresión para X.
`score`	Devuelve el coeficiente de determinación \(R^2\) de la predicción.
`set_params`	Establece los parámetros de un estimador del ensemble.
`transform`	Devuelve las predicciones de X para cada estimador.

fit()¶

Ajusta los estimadores.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features): Vectores de entrenamiento, donde n_samples es el número de muestras y n_features es el número de características.
yarray-like de forma (n_samples,): Valores objetivo.
sample_weightarray-like de forma (n_samples,), default=None: Ponderaciones de muestra. Si es None, entonces las muestras están igualmente ponderadas. Ten en cuenta que esto sólo es soportado si todos los estimadores subyacentes soportan ponderaciones de muestra.

Devuelve

selfobjeto: Estimador ajustado.

fit_transform()¶

Devuelve etiquetas de clase o probabilidades para cada estimador.

Devuelve las predicciones de X para cada estimador.

Parámetros

X{array-like, sparse matrix, dataframe} de forma (n_samples, n_features): Muestras de entrada
yndarray de forma (n_samples,), default=None: Valores objetivo (Ninguno para transformaciones no supervisadas).
**fit_paramsdict: Parámetros de ajuste adicionales.

Devuelve

X_newarreglo ndarray de forma (n_samples, n_features_new): Arreglo transformado.

get_params()¶

Obtiene los parámetros de un estimador del ensemble.

Devuelve los parámetros dados en el constructor así como los estimadores contenidos en el parámetro estimators.

Parámetros

deepbool, default=True: Establecerlo a True también obtiene los diversos estimadores y parámetros de los estimadores.

predict()¶

Predice el objetivo de regresión para X.

El objetivo de regresión predicho de una muestra de entrada se calcula como la media de los objetivos de regresión predichos de los estimadores del ensemble.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features): Las muestras de entrada.

Devuelve

yndarray de forma (n_samples,): Los valores predichos.

score()¶

Devuelve el coeficiente de determinación \(R^2\) de la predicción.

El coeficiente \(R^2\) se define como \((1 - \frac{u}{v})\), donde \(u\) es la suma residual de cuadrados ((y_true - y_pred) ** 2).sum() y \(v\) es la suma total de cuadrados ((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

Xarray-like de forma (n_samples, n_features): Muestras de prueba. Para algunos estimadores puede ser una matriz de núcleo precalculada o una lista de objetos genéricos con forma (n_samples, n_samples_fitted), donde n_samples_fitted es el número de muestras utilizadas en el ajuste para el estimador.
yarray-like de forma (n_samples,) o (n_samples, n_outputs): Valores verdaderos para X.
sample_weightarray-like de forma (n_samples,), default=None: Ponderaciones de muestra.

Devuelve

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

Notas

La puntuación \(R^2\) utilizada al llamar a score en un regresor utiliza multioutput='uniform_average' desde la versión 0.23 para mantener la coherencia con el valor predeterminado de r2_score`. Esto influye en el método score de todos los regresores de salida múltiple (excepto para MultiOutputRegressor).

set_params()¶

Establece los parámetros de un estimador del ensemble.

Las claves de parámetro válidas pueden ser listadas con get_params(). Ten en cuenta que puedes establecer directamente los parámetros de los estimadores contenidos en estimators.

Parámetros

**paramsargumentos de palabras clave: Parámetros específicos utilizando, por ejemplo, set_params(parameter_name=new_value). Además de establecer los parámetros del estimador, también se puede establecer el estimador individual de los estimadores, o se puede eliminar estableciéndolos en “drop”.

transform()¶

Devuelve las predicciones de X para cada estimador.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features): Las muestras de entrada.

Devuelve

predicciones: ndarray de forma (n_samples, n_classifiers): Valores predichos por cada regresor.