تطبيق خوارزمية VotingRegressor لمهمة توقع باستخدام مكتبة  Sklearn

خوارزمية تعتمد على التصويت بين عدة خوارزميات، بحيث تحدد لها عدة خوارزميات توقع وكل خوارزمية ستقوم بعمل fitting على البيانات ثم إجراء مايسمى  "Voting" لانتخاب النتيجة الأفضل اعتماداً على الخوارزميات المستخدمة. (تشبه VotingClassifier لكن هنا لمهمة توقع).
يمكنك استخادمها عبر الموديول:

sklearn.ensemble.VotingRegressor(estimators, weights=None, n_jobs=None)

الوسيط الأول نحدد فيه خوارزميات التوقع التي نريد استخدامها وتقبل list من ال tuble بحيث كل tuble عبارة عن قيمة أولى str تمثل اسم اختياري للخوارزمية وقيمة ثانية تمثل الكلاس (الخوارزمية) "موضحة في المثال".
الوسيط weights: تحديد ماهي الأوزان في التصويت لكل خوارزمية. ويأخذ مصفوفة من الأوزان (,n_classifier,) قد تكون القيم int أو float لامشكلة.
n_jobs: عدد المهام التي يتم تنفيذها على التوازي. نضع -1 لأقصى قدر ممكن(زيادة سرعة التنفيذ).
ال attributes:
estimators_ : معلومات عن الخوارزميات المستخدمة.
التوابع:
fit(data)   للقيام بعملية التدريب.
predict(data)  للقيام بعملية توقع قيمة عينة.
score(data)     لإيجاد كفاءة النموذج.
مثال: قمنا هنا باستخدام خوارزميتي توقع RandomForest+LinearRegression

import numpy as np
from sklearn.ensemble import RandomForestRegressor
from sklearn.linear_model import LinearRegression
from sklearn.ensemble import VotingRegressor
reg1 = LinearRegression()
reg2 = RandomForestRegressor(n_estimators=7, random_state=2021)
# تشكيل بيانات بقيم عشوائية
X = np.array([[3, 1], [32, 45], [53, 2], [5, 6]])
y = np.array([2, 6, 12, 20])
#VotingRegressor تعريف 
reg = VotingRegressor([('reg1', reg1), ('reg2', reg2)])
print(reg.fit(X, y).predict(X)) # [ 9.68531265  8.55106081 11.01620204 15.17599594]
print(reg.score(X, y)) # 0.5118977425789101