`sklearn.multioutput`.MultiOutputRegressor¶

class sklearn.multioutput.MultiOutputRegressor¶

Regresión multiobjetivo (multi-target regression)

Esta estrategia consiste en ajustar un regresor por objetivo. Se trata de una estrategia sencilla para ampliar los regresores que no admiten de forma nativa la regresión multiobjetivo.

Nuevo en la versión 0.18.

Parámetros

estimatorestimator object

Un objeto estimador que implementa fit y predict.

n_jobsint o None, opcional (default=None)

El número de trabajos a ejecutar en paralelo. fit, predict y partial_fit (si lo soporta el estimador pasado) serán paralelizados para cada objetivo.

Cuando los estimadores individuales son rápidos de entrenar o predecir, el uso de n_jobs > 1 puede resultar en un rendimiento más lento debido a la sobrecarga de paralelismo.

None significa 1 a menos que esté en un contexto joblib.parallel_backend. -1 significa utilizar todos los procesos / hilos disponibles. Ver Glosario para más detalles.

Distinto en la versión 0.20: n_jobs default cambiado de 1 a None

Atributos

estimators_lista de: Estimadores usados para predicciones.

Ejemplos

>>> import numpy as np
>>> from sklearn.datasets import load_linnerud
>>> from sklearn.multioutput import MultiOutputRegressor
>>> from sklearn.linear_model import Ridge
>>> X, y = load_linnerud(return_X_y=True)
>>> clf = MultiOutputRegressor(Ridge(random_state=123)).fit(X, y)
>>> clf.predict(X[[0]])
array([[176..., 35..., 57...]])

Métodos

`fit`	Ajusta el modelo a los datos.
`get_params`	Obtiene los parámetros para este estimador.
`partial_fit`	Ajusta incrementalmente el modelo a los datos.
`predict`	Predice variable de salida múltiple utilizando un modelo
`score`	Devuelve el coeficiente de determinación \(R^2\) de la predicción.
`set_params`	Establece los parámetros de este estimador.

fit()¶

Ajusta el modelo a los datos. Ajusta un modelo distinto para cada variable de salida.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features): Datos.
y{array-like, sparse matrix} de forma (n_samples, n_outputs): Objetivos multiclase. Una matriz indicadora activa la clasificación multietiqueta.
sample_weightarray-like de forma (n_samples,), default=None: Ponderación de las muestras. Si es None, las muestras se ponderan por igual. Sólo se admite si el regresor subyacente admite ponderaciones de muestras.
**fit_paramsdict of string -> object: Parámetros pasados al método estimator.fit de cada paso.

Nuevo en la versión 0.23.

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 sub objetos contenidos que son estimadores.

Devuelve

paramsdict: Nombres de parámetros mapeados a sus valores.

partial_fit()¶

Ajustar el modelo a los datos de forma incremental. Ajusta un modelo distinto para cada variable de salida.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features): Datos.
y{array-like, sparse matrix} de forma (n_samples, n_outputs): Objetivos de salida múltiple (multi-output targets).
sample_weightarray-like de forma (n_samples,), default=None: Ponderación de las muestras. Si es None, las muestras se ponderan por igual. Sólo se admite si el regresor subyacente admite ponderaciones de muestras.

Devuelve

selfobject

predict()¶

Predice variable de salida múltiple utilizando un modelo: entrenado para cada variable objetivo.

Parámetros

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

Devuelve

y{array-like, sparse matrix} de forma (n_samples, n_outputs): Objetivos de salida múltiples predichos a través de múltiples predictores. Nota: se generan modelos separados para cada predictor.

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 de cuadrados de los residuos ((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_X, n_features): Muestras de prueba. Para algunos estimadores puede ser una matriz núcleo precalculada o una lista de objetos genéricos en su lugar 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,) or (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.

Notas

El valor \(R^2\) utilizado al invocar a score en un regresor utiliza multioutput='uniform_average' desde la versión 0.23 para mantener la consistencia 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 este estimador.

El método funciona tanto con estimadores simples como en 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 de estimador.