TabularPredictor.predict_multi

TabularPredictor.predict_multi(data: DataFrame = None, models: list[str] = None, as_pandas: Literal[True] = True, transform_features: bool = True, inverse_transform: bool = True, decision_threshold: float = None) → dict[str, Series]

TabularPredictor.predict_multi(data: DataFrame = None, models: list[str] = None, *, as_pandas: Literal[False], transform_features: bool = True, inverse_transform: bool = True, decision_threshold: float = None) → dict[str, ndarray]

返回一个包含预测结果的字典，其中键是模型名称，值是模型对数据的预测结果。

等价于以下输出：``` predict_dict = {} for m in models

predict_dict[m] = predictor.predict(data, model=m)

```

请注意，这通常比分别为每个模型调用 TabularPredictor.predict() 快得多，因为此方法利用模型依赖关系图来避免重复计算。

参数：

• data (DataFrame, default = None) –

  用于预测的数据。如果为 None

  如果 self.has_val 为 True，则使用验证数据。否则，跳过预测并返回袋外 (OOF) 预测结果，等价于以下操作：``` predict_dict = {} for m in models

  predict_dict[m] = predictor.predict_oof(model=m)

  ```

• models (list[str], default = None) – 需要获取预测结果的模型列表。如果为 None，则使用所有可进行推断的模型。

• as_pandas (bool, default = True) – 是否将每个模型的输出作为 pd.Series (True) 或 np.ndarray (False) 返回。

• transform_features (bool, default = True) –

  如果为 True，则在使用模型预测前对数据进行预处理。如果为 False，则跳过全局特征预处理。

  如果您已经调用了 data = predictor.transform_features(data)，则此选项有助于节省推理时间。

• inverse_transform (bool, default = True) – 如果为 True，将返回原始格式的预测结果。如果为 False (高级)，将返回 AutoGluon 内部格式的预测结果。

• decision_threshold (float, default = None) – 用于将预测概率转换为预测结果的决策阈值。仅与二元分类相关，否则将被忽略。如果为 None，则默认为 0.5。有效值范围为 [0.0, 1.0]。您可以通过首先调用 TabularPredictor.calibrate_decision_threshold() 来获得优化的 decision_threshold。对于 balanced_accuracy 和 f1 等评估指标很有用，因为 0.5 通常不是最优阈值。预测结果通过对正类别应用以下逻辑计算：如果 pred > decision_threshold 则为 1，否则为 0

返回值：

字典，其中键是模型名称，值是模型的预测结果。

返回值类型：

dict[str, pd.Series] | dict[str, np.ndarray]