dask_ml.xgboost.XGBClassifier
dask_ml.xgboost.XGBClassifier¶
- class dask_ml.xgboost.XGBClassifier(*, objective: Optional[Union[str, xgboost.sklearn._SklObjWProto, Callable[[Any, Any], Tuple[numpy.ndarray, numpy.ndarray]]]] = 'binary:logistic', **kwargs: Any)¶
- 属性
best_iteration通过早停获得的最佳迭代次数。
best_score通过早停获得的最佳分数。
- classes_
coef_系数属性
feature_importances_特征重要性属性，返回值取决于 importance_type 参数。
feature_names_in_在
fit()期间看到的特征名称。intercept_截距（偏差）属性
n_features_in_在
fit()期间看到的特征数量。
方法
apply(X[, iteration_range])返回每个样本在每棵树中的预测叶节点。
evals_result()返回评估结果。
fit(X[, y, classes, eval_set, ...])拟合一个梯度提升分类器
get_booster()获取此模型的底层 xgboost Booster。
get_metadata_routing()获取此对象的元数据路由。
get_num_boosting_rounds()获取 xgboost 提升轮数。
get_params([deep])获取参数。
get_xgb_params()获取 xgboost 特定参数。
load_model(fname)从文件或字节数组加载模型。
predict(X)使用 X 进行预测。
predict_proba(data[, ntree_limit])预测每个 X 样本属于给定类别的概率。
save_model(fname)将模型保存到文件。
score(X, y[, sample_weight])返回给定测试数据和标签的平均准确率。
set_fit_request(*[, classes, ...])请求传递给
fit方法的元数据。set_params(**params)设置此估计器的参数。
set_predict_proba_request(*[, data, ntree_limit])请求传递给
predict_proba方法的元数据。set_predict_request(*[, base_margin, ...])请求传递给
predict方法的元数据。set_score_request(*[, sample_weight])请求传递给
score方法的元数据。