lightgbm.LGBMRegressor

class lightgbm.LGBMRegressor(*, boosting_type='gbdt', num_leaves=31, max_depth=-1, learning_rate=0.1, n_estimators=100, subsample_for_bin=200000, objective=None, class_weight=None, min_split_gain=0.0, min_child_weight=0.001, min_child_samples=20, subsample=1.0, subsample_freq=0, colsample_bytree=1.0, reg_alpha=0.0, reg_lambda=0.0, random_state=None, n_jobs=None, importance_type='split', **kwargs)[source]

Bases: RegressorMixin, LGBMModel

LightGBM 回归器。

__init__(*, boosting_type='gbdt', num_leaves=31, max_depth=-1, learning_rate=0.1, n_estimators=100, subsample_for_bin=200000, objective=None, class_weight=None, min_split_gain=0.0, min_child_weight=0.001, min_child_samples=20, subsample=1.0, subsample_freq=0, colsample_bytree=1.0, reg_alpha=0.0, reg_lambda=0.0, random_state=None, n_jobs=None, importance_type='split', **kwargs)[source]

构造一个梯度提升模型。

参数:

boosting_type (str, 可选 (默认='gbdt')) – ‘gbdt’，传统梯度提升决策树。‘dart’，dropout 遇到多重加性回归树。‘rf’，随机森林。
num_leaves (int, 可选 (默认=31)) – 基学习器的最大树叶数量。
max_depth (int, 可选 (默认=-1)) – 基学习器的最大树深，<=0 表示没有限制。如果将其设置为正值，请考虑也将 num_leaves 更改为 <= 2^max_depth。
learning_rate (float, 可选 (默认=0.1)) – 提升学习率。您可以使用 fit 方法的 callbacks 参数，通过 reset_parameter 回调函数在训练中缩小/调整学习率。请注意，这将忽略训练中的 learning_rate 参数。
n_estimators (int, 可选 (默认=100)) – 要拟合的提升树数量。
subsample_for_bin (int, 可选 (默认=200000)) – 用于构建 bins 的样本数量。
objective (str, callable 或 None, 可选 (默认=None)) – 指定学习任务及相应的学习目标，或要使用的自定义目标函数（详见下注）。默认值：LGBMRegressor 为 ‘regression’，LGBMClassifier 为 ‘binary’ 或 ‘multiclass’，LGBMRanker 为 ‘lambdarank’。
class_weight (dict, 'balanced' 或 None, 可选 (默认=None)) – 与类别关联的权重，形式为 {类别标签: 权重}。仅在多类别分类任务中使用此参数；对于二元分类任务，您可以使用 is_unbalance 或 scale_pos_weight 参数。请注意，使用所有这些参数将导致对单个类别概率的估计不佳。您可能需要考虑对您的模型进行概率校准 (https://scikit-learn.cn/stable/modules/calibration.html)。‘balanced’ 模式使用 y 的值自动调整与输入数据中类别频率成反比的权重，计算方式为 n_samples / (n_classes * np.bincount(y))。如果为 None，则所有类别都假设权重为一。请注意，如果指定了 sample_weight（通过 fit 方法传递），这些权重将与 sample_weight 相乘。
min_split_gain (float, 可选 (默认=0.)) – 在树的叶节点上进行进一步划分所需的最小损失减少量。
min_child_weight (float, 可选 (默认=1e-3)) – 子节点（叶节点）中所需的最小实例权重（Hessian）总和。
min_child_samples (int, 可选 (默认=20)) – 子节点（叶节点）中所需的最小数据数量。
subsample (float, 可选 (默认=1.)) – 训练实例的子样本比例。
subsample_freq (int, 可选 (默认=0)) – 子样本频率，<=0 表示不启用。
colsample_bytree (float, 可选 (默认=1.)) – 构建每棵树时列的子样本比例。
reg_alpha (float, 可选 (默认=0.)) – 权重的 L1 正则化项。
reg_lambda (float, 可选 (默认=0.)) – 权重的 L2 正则化项。
random_state (int, RandomState 对象 或 None, 可选 (默认=None)) – 随机数种子。如果为 int，则此数字用于为 C++ 代码设定种子。如果为 RandomState 或 Generator 对象 (numpy)，则根据其状态选择一个随机整数来为 C++ 代码设定种子。如果为 None，则使用 C++ 代码中的默认种子。
n_jobs (int 或 None, 可选 (默认=None)) –
训练时使用的并行线程数（在预测时可以通过额外的关键字参数进行更改）。

为了获得更好的性能，建议将其设置为 CPU 中的物理核心数。

负整数被解释为遵循 joblib 的公式 (n_cpus + 1 + n_jobs)，就像 scikit-learn 一样（因此例如 -1 表示使用所有线程）。值为零对应于系统中为 OpenMP 配置的默认线程数。值为 None（默认值）对应于使用系统中的物理核心数（其正确检测需要安装 joblib 或 psutil 实用库）。

在版本 4.0.0 中更改。
importance_type (str, 可选 (默认='split')) – 要填充到 feature_importances_ 中的特征重要性类型。如果为 ‘split’，结果包含特征在模型中使用的次数。如果为 ‘gain’，结果包含使用该特征进行分割的总增益。
**kwargs –
模型的其他参数。有关更多参数，请查看 https://lightgbm.cn/en/stable/Parameters.html。

警告

**kwargs 在 sklearn 中不受支持，可能会导致意外问题。

注意

可以为 objective 参数提供一个自定义目标函数。在这种情况下，它应该具有以下签名之一：objective(y_true, y_pred) -> grad, hess，objective(y_true, y_pred, weight) -> grad, hess 或 objective(y_true, y_pred, weight, group) -> grad, hess

y_true形状为 [n_samples] 的 numpy 1-D 数组
目标值。

y_pred形状为 [n_samples] 的 numpy 1-D 数组或形状为 [n_samples, n_classes] 的 numpy 2-D 数组（用于多类别任务）
预测值。预测值在任何转换之前返回，例如，对于二元任务，它们是原始 margin 而不是正类概率。

weight形状为 [n_samples] 的 numpy 1-D 数组
样本权重。权重应为非负数。

groupnumpy 1-D 数组
组/查询数据。仅用于排名学习任务。sum(group) = n_samples。例如，如果您有一个包含 100 个文档的数据集，其中 group = [10, 20, 40, 10, 10, 10]，这意味着您有 6 个组，其中前 10 条记录属于第一个组，记录 11-30 属于第二个组，记录 31-70 属于第三个组，依此类推。

grad形状为 [n_samples] 的 numpy 1-D 数组或形状为 [n_samples, n_classes] 的 numpy 2-D 数组（用于多类别任务）
对于每个样本点，损失函数相对于 y_pred 元素的关于 y_pred 元素的一阶导数（梯度）值。

hess形状为 [n_samples] 的 numpy 1-D 数组或形状为 [n_samples, n_classes] 的 numpy 2-D 数组（用于多类别任务）
对于每个样本点，损失函数相对于 y_pred 元素的二阶导数（Hessian）值。

对于多类别任务，y_pred 是形状为 [n_samples, n_classes] 的 numpy 2-D 数组，并且 grad 和 hess 应以相同的格式返回。

方法

`__init__`(*[, boosting_type, num_leaves, ...])	构造一个梯度提升模型。
`fit`(X, y[, sample_weight, init_score, ...])	从训练集 (X, y) 构建一个梯度提升模型。
`get_metadata_routing`()	获取此对象的元数据路由。
`get_params`([deep])	获取此估计器的参数。
`predict`(X[, raw_score, start_iteration, ...])	返回每个样本的预测值。
`score`(X, y[, sample_weight])	返回预测的决定系数。
`set_fit_request`(*[, callbacks, ...])	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_request`(*[, num_iteration, ...])	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。

属性

`best_iteration_`	如果指定了 `early_stopping()` 回调函数，则为拟合模型的最佳迭代次数。
`best_score_`	拟合模型的最佳分数。
`booster_`	此模型的底层 Booster。
`evals_result_`	如果指定了验证集，则为评估结果。
`feature_importances_`	特征重要性（值越高越重要）。
`feature_name_`	特征名称。
`feature_names_in_`	与 scikit-learn 兼容的 `.feature_name_` 版本。
`n_estimators_`	执行的真实提升迭代次数。
`n_features_`	拟合模型的特征数量。
`n_features_in_`	拟合模型的特征数量。
`n_iter_`	执行的真实提升迭代次数。
`objective_`	拟合此模型时使用的具体目标函数。

property best_iteration_

如果指定了 early_stopping() 回调函数，则为拟合模型的最佳迭代次数。

类型:: int

property best_score_

拟合模型的最佳分数。

类型:: dict

property booster_

此模型的底层 Booster。

类型:: Booster

property evals_result_

如果指定了验证集，则为评估结果。

类型:: dict

property feature_importances_

特征重要性（值越高越重要）。

注意

将 importance_type 属性传递给函数以配置提取重要性值的类型。

类型:: 形状为 [n_features] 的 array

property feature_name_

特征名称。

注意

如果输入不包含特征名称，则在拟合期间将以 Column_0, Column_1, …, Column_N 的格式添加它们。

类型:: 形状为 [n_features] 的 list

property feature_names_in_

与 scikit-learn 兼容的 .feature_name_ 版本。

在版本 4.5.0 中添加。

类型:: 形状为 [n_features] 的 array

fit(X, y, sample_weight=None, init_score=None, eval_set=None, eval_names=None, eval_sample_weight=None, eval_init_score=None, eval_metric=None, feature_name='auto', categorical_feature='auto', callbacks=None, init_model=None)[source]

从训练集 (X, y) 构建一个梯度提升模型。

参数:

X (numpy 数组, pandas DataFrame, H2O DataTable 的 Frame (已弃用), scipy.sparse, int 或 float 列表的列表, 形状 = [n_samples, n_features]) – 输入特征矩阵。
y (numpy 数组, pandas DataFrame, pandas Series, int 或 float 列表, 形状 = [n_samples]) – 目标值（分类中的类别标签，回归中的实数）。
sample_weight (numpy 数组, pandas Series, int 或 float 列表, 形状 = [n_samples] 或 None, 可选 (默认=None)) – 训练数据的权重。权重应为非负数。
init_score (numpy 数组, pandas DataFrame, pandas Series, int 或 float 列表, 形状 = [n_samples] 或 形状 = [n_samples * n_classes] (用于多类别任务) 或 形状 = [n_samples, n_classes] (用于多类别任务) 或 None, 可选 (默认=None)) – 训练数据的初始分数。
eval_set (list 或 None, 可选 (默认=None)) – 用作验证集的 (X, y) 元组对列表。
eval_names (str 列表, 或 None, 可选 (默认=None)) – eval_set 的名称。
eval_sample_weight (数组列表（与 sample_weight 支持的类型相同），或 None，可选（默认=None）)
评估数据的权重。权重应为非负数。
eval_metric (str, callable, list 或 None, 可选 (默认=None)) – 如果是 str，则应为内置的评估指标。如果是 callable，则应为自定义评估指标，详见下注。如果是 list，则可以是内置指标列表、自定义评估指标列表或两者的混合。无论哪种情况，模型参数中的 metric 也将被评估和使用。默认值：LGBMRegressor 为 ‘l2’，LGBMClassifier 为 ‘logloss’，LGBMRanker 为 ‘ndcg’。
feature_name (str 列表, 或 'auto', 可选 (默认='auto')) – 特征名称。如果为 ‘auto’ 且数据是 pandas DataFrame，则使用数据列名称。
categorical_feature (str 或 int 列表, 或 'auto', 可选 (默认='auto')) – 类别特征。如果是 int 列表，则解释为索引。如果是 str 列表，则解释为特征名称（也需要指定 feature_name）。如果为 ‘auto’ 且数据是 pandas DataFrame，则使用 pandas 无序类别列。类别特征中的所有值都将被转换为 int32，因此应小于 int32 最大值 (2147483647)。大值可能会消耗内存。考虑使用从零开始的连续整数。类别特征中的所有负值都将被视为缺失值。输出不能对类别特征进行单调约束。类别特征中的浮点数将四舍五入到接近 0 的整数。
callbacks (callable 列表, 或 None, 可选 (默认=None)) – 在每次迭代时应用的 callback 函数列表。更多信息请参阅 Python API 中的回调函数。
init_model (str, pathlib.Path, Booster, LGBMModel 或 None, 可选 (默认=None)) – 用于继续训练的 LightGBM 模型文件名、Booster 实例或 LGBMModel 实例。

返回:

self – 返回 self。

返回类型:

LGBMRegressor

注意

自定义评估函数需要一个 callable，其签名如下：func(y_true, y_pred), func(y_true, y_pred, weight) 或 func(y_true, y_pred, weight, group)，并返回 (eval_name, eval_result, is_higher_better) 或 (eval_name, eval_result, is_higher_better) 列表

y_true形状为 [n_samples] 的 numpy 1-D 数组
目标值。

y_pred形状为 [n_samples] 的 numpy 1-D 数组或形状为 [n_samples, n_classes] 的 numpy 2-D 数组（用于多类别任务）
预测值。在使用自定义 objective 时，预测值在任何转换之前返回，例如，在这种情况下，对于二元任务，它们是原始 margin 而不是正类的概率。

weight形状为 [n_samples] 的 numpy 1-D 数组
样本权重。权重应为非负数。

groupnumpy 1-D 数组
组/查询数据。仅用于排名学习任务。sum(group) = n_samples。例如，如果您有一个包含 100 个文档的数据集，其中 group = [10, 20, 40, 10, 10, 10]，这意味着您有 6 个组，其中前 10 条记录属于第一个组，记录 11-30 属于第二个组，记录 31-70 属于第三个组，依此类推。

eval_namestr
评估函数的名称（不含空格）。

eval_resultfloat
评估结果。

is_higher_betterbool
评估结果是否越高越好，例如 AUC 是 is_higher_better。

get_metadata_routing()

获取此对象的元数据路由。

请查阅用户指南了解路由机制的工作原理。

返回:: routing – 一个封装了路由信息的 MetadataRequest 对象。
返回类型:: MetadataRequest

get_params(deep=True)

获取此估计器的参数。

参数:: deep (bool, 可选 (默认=True)) – 如果为 True，将返回此估计器及其包含的作为估计器的子对象的参数。
返回:: params – 参数名称及其对应值的映射。
返回类型:: dict

property n_estimators_

执行的真实提升迭代次数。

如果启用了 early stopping，或者由于 min_gain_to_split 等复杂性限制导致 boosting 提前停止，则此值可能小于参数 n_estimators。

在版本 4.0.0 中添加。

类型:: int

property n_features_

拟合模型的特征数量。

类型:: int

property n_features_in_

拟合模型的特征数量。

类型:: int

property n_iter_

执行的真实提升迭代次数。

如果启用了 early stopping，或者由于 min_gain_to_split 等复杂性限制导致 boosting 提前停止，则此值可能小于参数 n_estimators。

在版本 4.0.0 中添加。

类型:: int

property objective_

拟合此模型时使用的具体目标函数。

类型:: str 或 callable

predict(X, raw_score=False, start_iteration=0, num_iteration=None, pred_leaf=False, pred_contrib=False, validate_features=False, **kwargs)

返回每个样本的预测值。

参数:

X (numpy 数组, pandas DataFrame, H2O DataTable 的 Frame (已弃用), scipy.sparse, int 或 float 列表的列表, 形状 = [n_samples, n_features]) – 输入特征矩阵。
raw_score (bool, 可选 (默认=False)) – 是否预测原始分数。
start_iteration (int, 可选 (默认=0)) – 预测迭代的起始索引。如果 <= 0，则从第一次迭代开始。
num_iteration (int 或 None, 可选 (默认=None)) – 预测中使用的总迭代次数。如果为 None，则如果最佳迭代存在且 start_iteration <= 0，则使用最佳迭代；否则，使用从 start_iteration 开始的所有迭代（无限制）。如果 <= 0，则使用从 start_iteration 开始的所有迭代（无限制）。
pred_leaf (bool, 可选 (默认=False)) – 是否预测叶节点索引。
pred_contrib (bool, 可选 (默认=False)) –
是否预测特征贡献。

注意

如果您想使用 SHAP 值获取更多模型预测解释，例如 SHAP 交互值，您可以安装 shap 包 (https://github.com/slundberg/shap)。请注意，与 shap 包不同，使用 pred_contrib 我们返回一个包含额外一列的矩阵，其中最后一列是期望值。
validate_features (bool, 可选 (默认=False)) – 如果为 True，则确保用于预测的特征与用于训练的特征匹配。仅当数据是 pandas DataFrame 时使用。
**kwargs – 预测的其他参数。

返回:

predicted_result (类似数组，形状 = [n_samples] 或形状 = [n_samples, n_classes])
预测值。
X_leaves (类似数组，形状 = [n_samples, n_trees] 或形状 = [n_samples, n_trees * n_classes])

如果 pred_leaf=True，则为每个样本的每棵树的预测叶节点。

返回预测的决定系数。

X_SHAP_values (类似数组，形状 = [n_samples, n_features + 1] 或形状 = [n_samples, (n_features + 1) * n_classes] 或长度为 n_classes 的此类对象列表)

参数:

如果 pred_contrib=True，则为每个样本的特征贡献。
score(X, y, sample_weight=None)
决定系数 $R^2$ 定义为 $(1 - \frac{u}{v})$，其中 $u$ 是残差平方和 ((y_true - y_pred)** 2).sum()，$v$ 是总平方和 ((y_true - y_true.mean()) ** 2).sum()。最佳可能得分是 1.0，并且它可以为负（因为模型可能任意差）。一个始终预测 y 的期望值而忽略输入特征的常数模型将获得 0.0 的 $R^2$ 分数。

返回:

X (类似数组，形状 (n_samples, n_features)) – 测试样本。对于某些估计器，这可能是一个预计算的核矩阵或一个通用对象列表，形状为 (n_samples, n_samples_fitted)，其中 n_samples_fitted 是拟合估计器时使用的样本数量。

返回类型:

y (类似数组，形状 (n_samples,) 或 (n_samples, n_outputs)) – X 的真实值。

sample_weight (类似数组，形状 (n_samples,), 默认=None) – 样本权重。

score – self.predict(X) 相对于 y 的 $R^2$ 值。

float

请求传递给 fit 方法的元数据。

注意

在回归器上调用 score 时使用的 $R^2$ 分数从 0.23 版本开始使用 multioutput='uniform_average'，以便与 r2_score() 的默认值保持一致。这会影响所有多输出回归器（MultiOutputRegressor 除外）的 score 方法。

set_fit_request(*, callbacks='$UNCHANGED$', categorical_feature='$UNCHANGED$', eval_init_score='$UNCHANGED$', eval_metric='$UNCHANGED$', eval_names='$UNCHANGED$', eval_sample_weight='$UNCHANGED$', eval_set='$UNCHANGED$', feature_name='$UNCHANGED$', init_model='$UNCHANGED$', init_score='$UNCHANGED$', sample_weight='$UNCHANGED$')
请注意，此方法仅在 enable_metadata_routing=True 时相关（参见 sklearn.set_config()）。请参阅用户指南了解路由机制的工作原理。
每个参数的选项如下：
True：请求元数据，如果提供则传递给 fit。如果未提供元数据，则忽略请求。

False：不请求元数据，且元估计器不会将其传递给 fit。

None：不请求元数据，如果用户提供元数据，元估计器将引发错误。

注意

str：应将元数据以给定的别名而不是原始名称传递给元估计器。

参数:

默认值 (sklearn.utils.metadata_routing.UNCHANGED) 保留现有请求。这允许您更改某些参数的请求而不更改其他参数。
在版本 1.3 中添加。
此方法仅在此估计器用作元估计器的子估计器时相关，例如在 Pipeline 内部使用时。否则它没有效果。
callbacks (str, True, False, 或 None, 默认=sklearn.utils.metadata_routing.UNCHANGED) – fit 方法中 callbacks 参数的元数据路由。
categorical_feature (str, True, False, 或 None, 默认=sklearn.utils.metadata_routing.UNCHANGED) – fit 方法中 categorical_feature 参数的元数据路由。
eval_init_score (str, True, False, 或 None, 默认=sklearn.utils.metadata_routing.UNCHANGED) – fit 方法中 eval_init_score 参数的元数据路由。
eval_metric (str, True, False, 或 None, 默认=sklearn.utils.metadata_routing.UNCHANGED) – fit 方法中 eval_metric 参数的元数据路由。
eval_names (str, True, False, 或 None, 默认=sklearn.utils.metadata_routing.UNCHANGED) – fit 方法中 eval_names 参数的元数据路由。
eval_sample_weight (str, True, False, 或 None, 默认=sklearn.utils.metadata_routing.UNCHANGED) – fit 方法中 eval_sample_weight 参数的元数据路由。
eval_set (str, True, False, 或 None, 默认=sklearn.utils.metadata_routing.UNCHANGED) – fit 方法中 eval_set 参数的元数据路由。
feature_name (str, True, False, 或 None, 默认=sklearn.utils.metadata_routing.UNCHANGED) – fit 方法中 feature_name 参数的元数据路由。

返回:

init_model (str, True, False, 或 None, 默认=sklearn.utils.metadata_routing.UNCHANGED) – fit 方法中 init_model 参数的元数据路由。

返回类型:

init_score (str, True, False, 或 None, 默认=sklearn.utils.metadata_routing.UNCHANGED) – fit 方法中 init_score 参数的元数据路由。

sample_weight (str, True, False, 或 None, 默认=sklearn.utils.metadata_routing.UNCHANGED) – fit 方法中 sample_weight 参数的元数据路由。

设置此估计器的参数。

参数:: self – 更新后的对象。
返回:: self – 返回 self。
返回类型:: init_score (str, True, False, 或 None, 默认=sklearn.utils.metadata_routing.UNCHANGED) – fit 方法中 init_score 参数的元数据路由。

object

请求传递给 predict 方法的元数据。

注意

在回归器上调用 score 时使用的 $R^2$ 分数从 0.23 版本开始使用 multioutput='uniform_average'，以便与 r2_score() 的默认值保持一致。这会影响所有多输出回归器（MultiOutputRegressor 除外）的 score 方法。

set_params(**params)
**params – 参数名称及其新值。
每个参数的选项如下：
True：请求元数据，如果提供则传递给 fit。如果未提供元数据，则忽略请求。

False：不请求元数据，且元估计器不会将其传递给 fit。

None：不请求元数据，如果用户提供元数据，元估计器将引发错误。

注意

str：应将元数据以给定的别名而不是原始名称传递给元估计器。

参数:

set_predict_request(*, num_iteration='$UNCHANGED$', pred_contrib='$UNCHANGED$', pred_leaf='$UNCHANGED$', raw_score='$UNCHANGED$', start_iteration='$UNCHANGED$', validate_features='$UNCHANGED$')
True：请求元数据，如果提供则传递给 predict。如果未提供元数据，则忽略请求。
False：不请求元数据，且元估计器不会将其传递给 predict。
num_iteration (str, True, False, 或 None, 默认=sklearn.utils.metadata_routing.UNCHANGED) – predict 方法中 num_iteration 参数的元数据路由。
pred_contrib (str, True, False, 或 None, 默认=sklearn.utils.metadata_routing.UNCHANGED) – predict 方法中 pred_contrib 参数的元数据路由。
pred_leaf (str, True, False, 或 None, 默认=sklearn.utils.metadata_routing.UNCHANGED) – predict 方法中 pred_leaf 参数的元数据路由。

返回:

init_model (str, True, False, 或 None, 默认=sklearn.utils.metadata_routing.UNCHANGED) – fit 方法中 init_model 参数的元数据路由。

返回类型:

init_score (str, True, False, 或 None, 默认=sklearn.utils.metadata_routing.UNCHANGED) – fit 方法中 init_score 参数的元数据路由。

raw_score (str, True, False, 或 None, 默认=sklearn.utils.metadata_routing.UNCHANGED) – predict 方法中 raw_score 参数的元数据路由。

请求传递给 score 方法的元数据。

注意

在回归器上调用 score 时使用的 $R^2$ 分数从 0.23 版本开始使用 multioutput='uniform_average'，以便与 r2_score() 的默认值保持一致。这会影响所有多输出回归器（MultiOutputRegressor 除外）的 score 方法。

start_iteration (str, True, False, 或 None, 默认=sklearn.utils.metadata_routing.UNCHANGED) – predict 方法中 start_iteration 参数的元数据路由。
validate_features (str, True, False, 或 None, 默认=sklearn.utils.metadata_routing.UNCHANGED) – predict 方法中 validate_features 参数的元数据路由。
每个参数的选项如下：
True：请求元数据，如果提供则传递给 fit。如果未提供元数据，则忽略请求。

False：不请求元数据，且元估计器不会将其传递给 fit。

None：不请求元数据，如果用户提供元数据，元估计器将引发错误。

注意

str：应将元数据以给定的别名而不是原始名称传递给元估计器。

参数:: set_score_request(*, sample_weight='$UNCHANGED$')
返回:: init_model (str, True, False, 或 None, 默认=sklearn.utils.metadata_routing.UNCHANGED) – fit 方法中 init_model 参数的元数据路由。
返回类型:: init_score (str, True, False, 或 None, 默认=sklearn.utils.metadata_routing.UNCHANGED) – fit 方法中 init_score 参数的元数据路由。