aibox.nlp.estimators.regression.random_forest_regressor

Regressor Random Forest.

Classes

RandomForestRegressor([n_estimators, ...])

Ensemble de árvores de decisão.
class aibox.nlp.estimators.regression.random_forest_regressor.RandomForestRegressor(n_estimators: int = 100, criterion: str = 'squared_error', max_features: str | None = 'sqrt', bootstrap: bool = False, random_state: int | None = None)[código-fonte]

Base: Estimator

Ensemble de árvores de decisão. Essa classe é um wrapper de sklearn.ensemble.RandomForestRegressor.

Parâmetros:

  • n_estimators (int)

  • criterion (str)

  • max_features (str | None)

  • bootstrap (bool)

  • random_state (int | None)

predict(X: list[int] | list[float] | ndarray[int32] | ndarray[float32] | Tensor, **kwargs) → ndarray[código-fonte]

Realiza a predição utilizando os parâmetros atuais do modelo.

Parâmetros:

  • X (list[int] | list[float] | ndarray[int32] | ndarray[float32] | Tensor) – dados de entrada com shape (n_samples, n_features).

  • **kwargs – parâmetros extras que podem ser passados para alguns estimadores.

Retorna:

predições com shape (n_samples,).

Tipo de retorno:

ndarray

fit(X: list[int] | list[float] | ndarray[int32] | ndarray[float32] | Tensor, y: list[int] | list[float] | ndarray[int32] | ndarray[float32] | Tensor, **kwargs)[código-fonte]

Realiza o treinamento do estimador.

Parâmetros:
property hyperparameters: dict

Hiper-parâmetros do modelo. Inclui a seed randômica. Estrutura do dicionário varia entre diferentes estimadores.

Retorna:

dicionário de hiper-parâmetros.

property params: dict

Retorna um dicionário com os parâmetros para esse estimador.

Os parâmetros retornados descrevem totalmente o estado do modelo (e,g. pesos de uma rede, superfícies de decisão, estrutura da árvore de decisão, etc).

Retorna:

parâmetros do estimador.

property random_state: int

Seed randômica utilizada pelo estimador.

Retorna:

seed.