TransformedTargetRegressor не наследует атрибут feature_importances_ - PullRequest
Новая
       10

TransformedTargetRegressor не наследует атрибут feature_importances_

0 голосов
/ 18 января 2019

Я использую TransformedTargetRegressor , чтобы преобразовать мою цель в пространство журнала. Это сделано как 

from sklearn.ensemble import GradientBoostingRegressor
from sklearn.compose import TransformedTargetRegressor
clf = TransformedTargetRegressor(regressor=GradientBoostingRegressor(**params),
       func=np.log1p, inverse_func=np.expm1)

Однако, когда я позже позвоню 

feature_importance = clf.feature_importances_

Я получаю

AttributeError: у объекта 'TransformedTargetRegressor' нет атрибута 'feature_importances _'

Я бы подумал, что все атрибуты исходного класса будут унаследованы. Как это можно решить?

Для дальнейшего контекста здесь является официальным примером. Замена строки инициализации на мою приведет к сбою.

1 Ответ

0 голосов
/ 18 января 2019

Как говорит TransformedTargetRegressor Doc , можно получить доступ к его компоненту-регрессору через .regressor_. Итак, это то, что вы хотите: 

clf.regressor_.feature_importances_

Работоспособный код: 

import numpy as np
import matplotlib.pyplot as plt

from sklearn import ensemble
from sklearn import datasets
from sklearn.utils import shuffle
from sklearn.metrics import mean_squared_error
from sklearn.ensemble import GradientBoostingRegressor
from sklearn.compose import TransformedTargetRegressor #only in sklearn==0.20.2

# #############################################################################
# Load data
boston = datasets.load_boston()
X, y = shuffle(boston.data, boston.target, random_state=13)
X = X.astype(np.float32)
offset = int(X.shape[0] * 0.9)
X_train, y_train = X[:offset], y[:offset]
X_test, y_test = X[offset:], y[offset:]

# #############################################################################
# Fit regression model
params = {'n_estimators': 500, 'max_depth': 4, 'min_samples_split': 2,
          'learning_rate': 0.01, 'loss': 'ls'}
#clf = ensemble.GradientBoostingRegressor(**params)
clf = TransformedTargetRegressor(regressor=GradientBoostingRegressor(**params),
       func=np.log1p, inverse_func=np.expm1)

clf.fit(X_train, y_train)
mse = mean_squared_error(y_test, clf.predict(X_test))
print("MSE: %.4f" % mse)

print(clf.regressor_.feature_importances_)

Его выход: 

MSE: 7.7145
[6.45223704e-02 1.32970011e-04 2.92221184e-03 4.48101769e-04
 3.57392613e-02 2.02435922e-01 1.22755948e-02 7.03996426e-02
 1.54903176e-03 1.90771421e-02 1.98577625e-02 1.63376111e-02
 5.54302378e-01]
...