Skip to content

最大加权平均选择器

该文件是TPOT库的一部分。

当前版本的TPOT是由以下人员在Cedars-Sinai开发的： - Pedro Henrique Ribeiro (https://github.com/perib, https://www.linkedin.com/in/pedro-ribeiro/) - Anil Saini (anil.saini@cshs.org) - Jose Hernandez (jgh9094@gmail.com) - Jay Moran (jay.moran@cshs.org) - Nicholas Matsumoto (nicholas.matsumoto@cshs.org) - Hyunjun Choi (hyunjun.choi@cshs.org) - Miguel E. Hernandez (miguel.e.hernandez@cshs.org) - Jason Moore (moorejh28@gmail.com)

TPOT的原始版本主要由宾夕法尼亚大学的以下人员开发： - Randal S. Olson (rso@randalolson.com) - Weixuan Fu (weixuanf@upenn.edu) - Daniel Angell (dpa34@drexel.edu) - Jason Moore (moorejh28@gmail.com) - 以及许多慷慨的开源贡献者

TPOT 是免费软件：您可以根据自由软件基金会发布的 GNU 宽通用公共许可证的条款重新分发和/或修改它，许可证的版本可以是第 3 版，或者（根据您的选择）任何以后的版本。

TPOT 的发布是希望它能有用， 但没有任何保证；甚至没有对 适销性或特定用途适用性的暗示保证。更多详情请参阅 GNU 较宽松通用公共许可证。

您应该已经收到了一份GNU较宽松通用公共许可证的副本，随TPOT一起提供。如果没有，请参见http://www.gnu.org/licenses/。

max_weighted_average_selector(scores, k, n_parents=1, rng=None)

根据最大加权平均选择法选择最佳个体，k 次。

参数:

名称 类型 描述 默认值
scores ndarray

得分矩阵，其中行代表个体，列代表不同目标的得分。

 required
k int

选择个体的数量。

 required
n_parents int

每个个体选择的父代数量。默认值为1。

 1
rng (int, Generator)

随机数生成器。默认值为None。

 None

返回:

类型 描述
一个形状为 (k, n_parents) 的选定个体索引数组。
Source code in tpot2/selectors/max_weighted_average_selector.py 
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
def max_weighted_average_selector(scores,k, n_parents=1, rng=None):
    """
    Select the best individual according to Max Weighted Average Selection, *k* times.

    Parameters
    ----------
    scores : np.ndarray
        The score matrix, where rows the individuals and the columns are the corresponds to scores on different objectives.
    k : int
        The number of individuals to select.
    n_parents : int, optional
        The number of parents to select per individual. The default is 1.
    rng : int, np.random.Generator, optional
        The random number generator. The default is None.

    Returns
    -------
        A array of indices of selected individuals of shape (k, n_parents).

    """
    ave_scores = [np.nanmean(s ) for s in scores ] #TODO make this more efficient
    chosen = np.argsort(ave_scores)[::-1][0:k] #TODO check this behavior with nans
    return np.reshape(chosen, (k, n_parents))