使用 sklearn 回归矩阵形输出答案

【问题标题】：Regression of matrix-shaped output with sklearn使用 sklearn 回归矩阵形输出
【发布时间】：2021-03-22 09:26:37
【问题描述】：

我想计算一个适合 y = f(X) 的回归量 f()，其中 y 的形状为 (n_samples, n_attribs, n_outputs) [即，不同属性的 n_outputs 组件/标签]，而不是传统的形状 (n_samples, n_outputs)

MultiOutputRegressor in sklearn 可以处理后一种情况。能处理前者吗？

显然我可以堆叠第 3 维列，因此 y 的形状为 n_samples, n_attribs x n_outputs，但为了方便起见，我想保留原始形状。

是否仍然可以使用 sklearn 执行回归？我应该看看其他包，比如 Tensorflow/keras 吗？

谢谢，电子商务

【问题讨论】：

标签： scikit-learn regression

【解决方案1】：

如果您查看帮助页面：

此策略包括为每个目标拟合一个回归器。这是一个扩展本身不支持的回归器的简单策略多目标回归。

此函数适合您目标的每一列的单独回归量，希望这是您所需要的，因为根据您的描述，“计算适合 y = f(X) 的回归量 f()”，不清楚什么您寻求使用的回归。

如果有添加维度，你会受到这个函数的限制，如果你不堆叠它，我猜你做的回归量和你的第三个维度一样多，例如：

import numpy as np
from sklearn.multioutput import MultiOutputRegressor
from sklearn.linear_model import Ridge

X = np.random.normal(0,1,(100,10))
y = np.random.normal(0,1,(100,2,2))

fits = [MultiOutputRegressor(Ridge(random_state=123)).fit(X, y[:,:,i]) for i in range(y.shape[2])]

您可以通过评估列表中的每个项目来获得每列的系数等，例如：

fits[0].estimators_[0].coef_

【讨论】：

嗨@StupidWolf，感谢您花时间回答我的问题。我已经编辑了我的帖子，希望让它更清楚。我对y = np.random.normal(0,1,(100,2,2))的情况很感兴趣。
是的.. 我现在看到了。如果你保持你的形状，那么你最终得到的是一个 MultiOutputRegressor 列表
谢谢！ sklearn 中没有内置解决方案来处理这种情况，对吧？如果我想在 sklearn.pipeline.Pipeline 中使用它，那么我需要构建一个自定义类，在 y 的第 3 轴上执行 for 循环。同意吗？
是的。我会这么说。或者你运行你的管道 n 次