在RandomForestRegressor中使用Partial_fit()方法
在RandomForestRegressor中使用Partial_fit()方法可以实现在线学习的功能。RandomForestRegressor是随机森林回归算法的一个实现，它可以用于解决回归问题。
Partial_fit()方法允许我们逐步更新模型，而不是一次性将所有数据传递给模型进行训练。这对于处理大规模数据集或者实时数据流非常有用。
使用Partial_fit()方法的步骤如下：
- 初始化模型：首先，我们需要初始化一个RandomForestRegressor模型，并设置一些参数，如树的数量、最大深度等。
- 第一次训练：将部分数据传递给模型的Partial_fit()方法进行第一次训练。在第一次训练时，模型会根据传入的数据构建一棵决策树。
- 后续训练：对于后续的训练数据，可以使用Partial_fit()方法逐步更新模型。模型会根据新的数据构建更多的决策树，并将它们集成到已有的森林中。
Partial_fit()方法的优势在于可以处理大规模数据集和实时数据流。相比于重新训练整个模型，逐步更新模型可以显著减少计算时间和资源消耗。
Partial_fit()方法适用于以下场景：
- 大规模数据集：当数据集非常大时，一次性将所有数据传递给模型进行训练可能会导致内存溢出或计算时间过长。使用Partial_fit()方法可以逐步训练模型，避免这些问题。
- 实时数据流：当数据以流的形式产生，并且需要实时更新模型以适应新的数据时，Partial_fit()方法非常有用。通过不断地传递新的数据给模型，我们可以保持模型的最新状态。
对于腾讯云用户，推荐使用腾讯云的机器学习平台AI Lab，该平台提供了丰富的机器学习工具和服务，包括随机森林回归算法的实现。您可以通过腾讯云的AI Lab产品介绍页面了解更多信息：腾讯云AI Lab
注意：在本答案中不提及其他云计算品牌商，以遵守问题要求。
相关·内容
有没有什么方法可以利用应用于RandomForestRegressor的partial_fit()方法。目的是通过新的增量方式重用经过训练的模型，我不想使用常规的SGD。一个示例代码将会非常有帮助。
浏览 62提问于2020-01-28得票数 0
我对sklearn.cluster.MiniBatchKMeans感兴趣，因为它是一种使用大型数据集的方法。无论如何，我对MiniBatchKMeans.partial_fit()和MiniBatchKMeans.fit()之间的区别感到有点困惑。
关于的文档说明：
计算X上的质心，把它分块成小批。
而有关的文档指出：
更新k表示对单个小批X的估计。
因此，据我所知，fit()将数据集分解为它训练的数据块(我猜batch_size of MiniBatchKMeans()的论点指的是这个)，而partial_fit()使用传递给它的所有数据来更新中心。术语"update“似乎有点模棱两
浏览 0提问于2018-10-31得票数 7
我正在使用partial_fit(X,y)函数在scikit-learn中训练一个多层感知器(带有默认选项)，我注意到调用
partial_fit([X1],[y1])
partial_fit([X2],[y2])
和
partial_fit([X1,X2],[y1,y2])
第二种选择似乎更快，但结果似乎更糟。有人能给我解释一下发生了什么吗？
浏览 9提问于2017-01-28得票数 2
我在玩字典学习科学知识库，我想要建立一个基于一系列图像的字典。我尝试使用partial_fit方法的MiniBatchDictionaryLearning，并注意到它比fit花费的时间要长得多。我的代码看起来如何(lena的一个例子)：
import numpy as np
from scipy.misc import lena
from sklearn.decomposition import MiniBatchDictionaryLearning
from sklearn.feature_extraction.image import extract_patches_2d
lena =
浏览 2提问于2014-10-17得票数 1
回答已采纳
我使用下面的代码来保存一个随机森林模型。我正在使用cPickle保存经过训练的模型。当我看到新的数据时，我可以增量地训练模型吗？目前，训练集有大约2年的数据。有没有办法再训练2年，并(某种程度上)将其附加到现有的已保存模型中。
rf = RandomForestRegressor(n_estimators=100)
print ("Trying to fit the Random Forest model --> ")
if os.path.exists('rf.pkl'):
print ("Trained model already p
浏览 0提问于2017-05-19得票数 8
回答已采纳
基于和增量PCA文档，它建议使用memmap数组，但是否可以使用dask完成相同的任务？
Update扩展了这个问题，包括了其他部分fit算法，因为dask的git提到了一种使用任何支持部分fit的方法--学习，但我似乎无法在API中找到关于它的文档。当我尝试为6000x250000 float64 dask dataframe增量pca时，它花了8个小时才在16核心104 on上取得9%的进步，而不需要调整dask调度程序，但我不确定这是因为我的代码不好，还是因为这样的数据集会出现这种情况。我欢迎任何关于SGD批处理大小的建议，甚至作为概念的证明。
浏览 4提问于2016-08-28得票数 2
因此，我有一个太大的数据集，不能一次性加载到内存中。因此，我想使用一个生成器来加载要训练的批数据。
在这个场景中，我如何使用LabelEncoder + StandardScaler执行特性的扩展呢？
一些更多背景：
我有一个数据库中有23个特性和一个标签列的10million+数据样本。
我的设置(当它是300万个样本)加载在熊猫sql，执行一些更多的特征提取，使用LabelEncoder对某些特性，进行培训/测试拆分，然后使用StandardScaler的训练功能。然后符合我的角膜模型。
但是，由于数据量大，在我的机器上不再可能使用此工作流。(MemoryErrors.)
我正在研究如何使
浏览 0提问于2019-01-19得票数 8
在Scikit SGDClassifier使用SGDClassifier时，成本函数收敛的迭代次数等于1，如描述中所述：
对给定的样本进行随机梯度下降的一个时期。
在内部，该方法使用max_iter = 1。因此，不能保证在调用它一次之后达到成本函数的最小值。客观趋同和早期停止等问题应由用户来处理。
如何增加max_iter，使我的成本函数得到适当的优化，而不仅仅是一次迭代？或者与scikit相关的描述，我如何使用partial_fit处理我的分类器的“客观收敛”和“早期停止”？
浏览 18提问于2020-09-03得票数 0
我想在新的数据上实时测试现有的机器学习模型。但是模型依赖于分解。是否可能只将新数据转换为现有的主成分分析维度，而不调用整个数据集+新数据集上的fit_transform？
浏览 2提问于2016-12-29得票数 2
回答已采纳
我想得到coef_ (权向量)和intercept_ (偏差)的每一个迭代或训练步骤为sklearn.linear_model.SGDClassifier。
但是，我找不到这样的功能吗？滑雪板能做到吗？
在tensorflow中，我可以添加一个回调。是否有类似的东西可用于SGDClassifier？
谢谢:)
浏览 0提问于2020-05-01得票数 1
我已经成功地为我自己的文本分类脚本学习了示例。
问题是，我并不是在处理一个庞大的数据集，而是在一个partial_fit调用循环中处理现有的数据集，就像在示例中所做的那样。我希望能够在数据可用时添加数据，即使我同时关闭了python脚本。
理想情况下，我想做这样的事情：
2015年某个时候：
model2015=partial_fit(dataset2015)
save_to_file(model2015)
关闭我的python脚本
2016年的某个时候：
再次打开我的python脚本
load_from_file(model2015)
partial_fit(dataset2016 inco
浏览 1提问于2016-02-26得票数 0
回答已采纳
根据学习和模块的文档，它们只支持传递给它们的分类器的fit方法，而不支持可用于增量式训练的分类器的partial_fit方法。目前，我正在尝试使用SGDClassifier，它可以使用partial_fit方法对增量数据进行培训，并为其找到最佳的超参数集。我只是想知道为什么RandomizedSearchCV或GridSearchCV不支持partial_fit。对于为什么不能这样做，我没有看到任何技术上的理由(如果我错了，请纠正我)。任何线索都会很感激的。
浏览 3提问于2019-07-19得票数 2
回答已采纳
1回答
如何在线性回归中加载巨大的数据？
、、、、
我有一个有超过100万行的数据，我需要在python3中对这个数据进行线性回归。但是我的Ram是8GB，我不能完全加载数据并在此上运行线性回归。
我的代码如下：
def get_data():
client = MongoClient(host='127.0.0.1', port=27017)
database = client['database']
collection = database['AI']
query = {}
return collection.find(query)
df
浏览 6提问于2022-08-24得票数 0
奇怪的是，fit和partial_fit的代码似乎完全相同。
您可以在以下链接中看到代码：
浏览 0提问于2016-02-12得票数 11
回答已采纳
1回答
我正在使用sklearn中的MLPRegressor来训练一个具有大约1000个输入和一个连续输出变量的网络。本质上，这是一个图像分类问题(1000个像素)，与连续变量输出相关的像素的分布。
我可以生成一个任意大的训练集，但是在将数组加载到numpy中时，在一台机器上运行这个训练集时会遇到内存问题。我选择了超调参数，在有限的(5k)训练集下给出了一个合理的结果，但我正在试图找到最好的方法来训练更多两个数量级的数据的网络。有没有一种方法可以通过小型批次来自己学习，这样我就可以管理内存和IO了？培训和再培训网络是否有帮助，如果我可以设置一种方法，以确保我阅读每一个培训步骤的随机方式？
我猜这是一个
浏览 0提问于2016-06-09得票数 2
在对模型块进行训练之后，我如何保存最终模型？
df = pd.read_csv(, chunksize=10000)
for chunk in df:
text_clf.fit(X_train, y_train)
filename = 'finalized_model.sav'
joblib.dump(text_clf, filename)
# load the model from disk
loaded_model = joblib.load(filename)
保存这样的模型只会给我最后一块训练过的模型。我如何才能避免这种情况，并让整个模型对每个块进行培训？
浏览 0提问于2020-04-15得票数 1
我有一个50k行和10k列的大型数据集。我试图使用自动滑雪板中的分类器来拟合这些数据。由于资源有限，我已经将数据划分为几个组，并打算使用增量学习。是否有可能在第一批批中使用autosklearn.classification.AutoSklearnClassifier.fit()，在其余批中使用autosklearn.classification.AutoSklearnClassifier.refit()？API文档说：
改装(X，y)
重新设计所有适合新数据的模型。使用交叉验证时必需的。在训练期间，自动滑雪板适用于数据集上的每个模型k次，但不保留任何经过训练的模型，因此不能用于预测新的数据
浏览 1提问于2018-10-01得票数 2
有没有办法一个接一个地partial_fit BaggingClassifier的每个estimator？如下所示： estim = BaggingClassifier(base_estimator=MLPClassifier(), n_estimators=33)
for model in estim:
model.partial_fit(X, Y) 在我的实际代码中，每个estimator的每个partial_fit都是用不同的数据完成的。
浏览 18提问于2020-04-11得票数 0
回答已采纳
我一直在使用RobustScaler扩展数据，最近我们添加了额外的数据，这些数据突破了fit_transform的内存限制。我希望在子集数据中使用partial_fit，但看起来RobustScaler不提供该功能。大多数其他定标器(MinMax、标准、Abs)似乎都有partial_fit。
因为我在数据中有异常值，所以我需要使用RobustScaler。我尝试使用MinMax和标准定标器，但离群值对数据的影响太大。
我希望找到一种类似于其他定标器中的partial_fit的方法，来替代对大型数据集执行fit_transform。
浏览 1提问于2019-07-31得票数 1
1回答
我正在拟合一个随机森林回归模型，使用流水线PCA和网格搜索进行超参数选择，但不知何故它给了我一个错误。下面是我的代码： params_rf = {'RandomForestRegressor__n_estimators': [300, 400, 500],
'RandomForestRegressor__max_depth': [4, 6, 8],
'RandomForestRegressor__min_samples_leaf': [0.1, 0.2],
'
浏览 19提问于2020-08-23得票数 0
回答已采纳
我有一个非常大的数据集，不能加载到内存中。
我想使用这个数据集作为scikit学习分类器的训练集，例如LogisticRegression。
有没有可能在我提供小批次的情况下，对一个scikit学习分类器进行一个小批次训练？
浏览 1提问于2017-10-25得票数 8
回答已采纳
1回答
我正在使用scikit库来使用svm。我有大量的数据，我不能一起读来给。
我想对文件中的所有数据进行迭代，并逐个训练svm。有没有办法做到这一点。文档中并不清楚，在他们的教程中，他们一次就给fit提供了完整的数据。
有没有办法一个接一个地训练它(方法可能类似于为训练数据的每个输入模式调用fit )。
浏览 4提问于2013-04-21得票数 6
我想知道在新的数据观测上训练SGDClassier模型的正确方法是什么？我应该使用fit函数还是partial_fit函数？他们有什么不同？
浏览 0提问于2018-04-11得票数 5
1回答
我目前正在尝试使用scikits学习中的SGDRegressor来解决一个大型数据集X ~= (10^6,10^4)上的多变量目标问题。因此，我使用以下代码分部分生成设计矩阵(X)，其中每次迭代生成大小大致为(10^3，10^4)的一批：
design = self.__iterX__(events)
reglins = [linear_model.SGDRegressor(fit_intercept=True) for i in range(nTargets)]
for X,times in design:
for i in range(nTargets):
reg
浏览 3提问于2014-04-07得票数 0
1回答
当我运行以下代码时，获取ValueError: Input包含NaN from sklearn.ensemble import RandomForestRegressor
rf = RandomForestRegressor(n_estimators = 1000, random_state = 42)
rf.fit(train_features, train_labels); 我运行了以下命令，结果显示没有NaNs或无限大的值，但是另一个循环将它们显示在train_features数组下 np.any(np.isnan(train_features)) 我已经运行了下面，但它并没有改变我收
浏览 16提问于2019-12-12得票数 1
回答已采纳
我想从sklearn中提取一个回归算法，比如说一个RandomForestRegressor：
from sklearn import ensemble
clf = ensemble.RandomForestRegressor(max_depth=None)
class model(clf):
def __init__(self):
clf.__init__(self)
def inSampleAccuracy(self):
print('\"accuracy is calculated\"')
testM
浏览 6提问于2022-11-15得票数 1
1回答
我在Python上使用sklearn中的Birch算法进行在线聚类。我有一个样本数据集，我的CF树就是基于这个数据集构建的。如何合并新的流数据？例如，我使用以下代码：
brc = Birch(branching_factor=50,
n_clusters=no,threshold=0.05,compute_labels=True)
brc.fit(sample_data)
假设我有一个新的数据点x，我如何将这个新的数据点放入树中，从而确定聚类号？
浏览 1提问于2018-04-13得票数 1
1回答
假设我有非常简单的机器学习模型，如下所示：
from sklearn.datasets import load_diabetes
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline
from sklearn.linear_model import RidgeCV
from sklearn.svm import LinearSVR
from sklearn.ensemble import RandomForestRegressor, StackingRegressor
X,
浏览 5提问于2022-08-11得票数 0
如何在包装在()中的scikit learn分类器上调用partial_fit()？
我正在尝试使用SGDClassifier构建一个可增量训练的文本分类器，如下所示：
from sklearn.linear_model import SGDClassifier
from sklearn.pipeline import Pipeline
from sklearn.feature_extraction.text import HashingVectorizer
from sklearn.feature_extraction.text import TfidfTransformer
from sk
浏览 0提问于2013-07-30得票数 18
1回答
我很好奇，运行partial_fit方法的是对应于一个迭代，一个步骤，还是一个时代？我很困惑。
浏览 3提问于2020-04-23得票数 0
回答已采纳
1回答
估计器管道的参数rf无效
、、、
我在GridSearchCV中使用RandomForestRegressor。我得到了这个错误：
ValueError: Invalid parameter RandomForestRegressor for estimator Pipeline
我不明白为什么。这是我的代码：
pipelines = {
'rf': make_pipeline(StandardScaler(),
RandomForestRegressor(random_state=42)),
rf_hyperparameter
浏览 18提问于2020-02-16得票数 0
回答已采纳
在过去，我曾尝试使用scikit learn的IncrementalPCA来减少内存使用。我使用作为我的代码的模板。但正如@aarslan在评论部分所说：“我注意到，解释的差异似乎在每次迭代中都会减少。”我总是怀疑给定答案中的最后一个for loop。所以，我的问题是:我是否需要一个for循环来在partial_fit步骤中保持恒定的内存使用量，或者batch_size就足够了？你可以在下面找到代码：
import h5py
import numpy as np
from sklearn.decomposition import IncrementalPCA
h5 = h5py.File(&
浏览 0提问于2020-01-08得票数 1
我将两个数据流传递给sgd_clf分类器，如下代码所示。First partial_fit正在采用第一个数据流x1，y1。第二个partial_fit是第二个数据流x2，y2。
下面的代码给出了类前面要包含的第二个partial_fit步骤的错误。当我将来自x2 y2 in x1，y1的所有数据都包含进来时，这个错误就消失了。(我的类标签包括在调用第二个partial_fit之前)
但是，我不能事先给出这个x2 y2数据。如果我在第一个partial_fit()之前提供了所有数据，为什么我需要使用第二个partial_fit()呢？事实上，如果我以前知道所有的数据，我不需要使用partial_
浏览 0提问于2018-02-23得票数 2
回答已采纳
1回答
将分类器训练为批处理
、、、、
我正在使用nltk中的大型数据集(每个数据文件都具有5 * 10^5功能)来训练分类器，
所以我陷入了这个错误：
Traceback (most recent call last):
File "term_classify.py", line 51, in <module>
classifier = obj.run_classifier(cltype)
File "/root/Desktop/karim/software/nlp/nltk/publish/lists/classifier_function.py", line 146,
浏览 2提问于2014-11-13得票数 1
使用RandomSearchCV，我设法找到了一个具有最佳超参数的RandomForestRegressor。但是，对此，我使用了一个符合我的特定需求的自定义评分函数。
现在，我不知道怎么用
best_estimator_ -- RandomForestRegressor --搜索返回的
与我的自定义记分函数。
有没有办法将自定义评分函数传递给RandomForestRegressor？
浏览 0提问于2018-08-13得票数 1
回答已采纳
1回答
这是我的问题，我有一个庞大的火车集，所以我不能加载它在内存和应用这段代码。
model = LogisticRegression()
model = model.fit(train_set_df, y_label_df)
因此，我正在寻找一种方法，通过逐个传递实例来训练我的Sklearn.LogisticRegression模型，以避免在内存中加载所有的列车数据。谢谢
浏览 1提问于2015-01-20得票数 2
回答已采纳
9回答
我需要适应RandomForestRegressor从sklearn.ensemble。
forest = ensemble.RandomForestRegressor(**RF_tuned_parameters)
model = forest.fit(train_fold, train_y)
yhat = model.predict(test_fold)
在我对数据(train_y)做了一些预处理之前，这段代码总是工作的。错误消息说：
DataConversionWarning:当需要一维数组时，传递列向量y。请将y的形状更改为(n_samples，)，例如使用ravel()。
model
浏览 3提问于2015-12-08得票数 218
我对fit()和partial_fit()的SGDClassifier方法感到困惑。文件中都说，“用随机梯度下降来拟合线性模型。”
关于随机梯度下降，我所知道的是，在一次迭代中更新模型的参数需要一个训练示例(或整个训练的一部分)。梯度下降在每次迭代中使用整个数据集。我想用logistic回归来训练一个模型。我要实现法向梯度下降和随机梯度下降，并比较它们所需的时间。如何在SGDClassifier中做到这一点？fit()方法是否为法向梯度下降？
浏览 2提问于2016-11-18得票数 0
回答已采纳
实现partial_fit API的估计器的示例只有SGDRegressor和SGDClassifier。还有其他人吗？是否有实现partial_fit API的估计器列表？
浏览 0提问于2019-01-22得票数 4
回答已采纳
1回答
我已经有了训练过的神经网络，
clf = neural_network.MLPClassifier(
activation='relu',
hidden_layer_sizes=(40,40,40,40),
learning_rate='adaptive',
learning_rate_init=0.01,
solver='sgd',
alpha=1e-6,
max_iter=20000,
warm_start=True
浏览 0提问于2018-08-24得票数 0
回答已采纳
我正在寻找一个Python在线学习/增量学习算法的‘合理’的复杂性。
在Scikit-learn中，我发现了一些使用partial_fit方法的算法，即['BernoulliNB', 'GaussianNB', 'MiniBatchKMeans', 'MultinomialNB', 'PassiveAggressiveClassifier', PassiveAggressiveRegressor', 'Perceptron', 'SGDClassifier', 'SG
浏览 2提问于2016-06-27得票数 1
我试图在下面的脚本中使用TfidVectorizer和partial_fit技术来训练一个partial_fit：
代码更新：
a, ta = [], []
r, tr = [], []
g = []
vect = HashingVectorizer(ngram_range=(1,4))
model = PassiveAggressiveClassifier()
with open('files', 'rb') as f:
for line in f:
line = line.strip()
with open('
浏览 10提问于2015-06-11得票数 1
rf = RandomForestRegressor()
grid = GridSearchCV(rf,param_grid=param_grid,cv=3,n_jobs=8)
grid.fit(train_X,train_y)
我像上面的代码一样使用RandomForestRegressor。还有，我想要train_error。我该怎么做呢？
更具体地说：(1)我可以从RandomForestRegressor中得到"train_error“吗？(2)如果我使用”mean_squared_error"，我如何获得列车数据的预测值。
一些图片来回答我的问题。
浏览 44提问于2018-07-13得票数 0
2回答
我正在尝试实现主动学习机器(一个项目的实验)算法，在这里我想单独训练，请检查我的代码下面。
clf = BernoulliNB()
clf.fit(X_train[0:40], y_train[0:40])
clf.fit(X_train[40:], y_train[40:])
以上通常是这样做的。
clf = BernoulliNB()
clf.fit(X_train, y_train)
两者都有不同的准确度分数。我想将培训数据添加到现有的模型中，因为它的计算成本很高--我不希望我的模型再做一次计算。
我能行吗？
浏览 6提问于2017-11-30得票数 1
回答已采纳
我已经建立了一个ML模型，其目标是对下一周的目标进行预测。一般而言，新的数据将在每周结束时输入和处理，数据结构与以前相同。换句话说，相同数量的特征，相同的分类，等等。
与其为每周的预测从零开始重新训练模型，我还在考虑采用增量学习的方法，这样过去的学习就不会被完全抛弃，而且这个模型(想必)会随着时间的推移而提高性能。我在Python3上使用sklearn，在StackOverflow上只有少数几篇文章，但是很多答案似乎不一致(可能是因为StackOverflow的API更新了？)。
这里和这里的文档表明，在特定的ML实现下，增量/在线学习是可能的--这意味着新的数据集可以被看作是“小批”，并通过
浏览 0提问于2020-02-24得票数 19
我希望培训PassiveAggressiveClassifier在科学知识-学习在网上设置。
我在想，实例化这个分类器的正确方法是否是
PA_I_online = PassiveAggressiveClassifier(warm_start=True)
按照医生的说法
warm_start : bool, optional
When set to True, reuse the solution of the previous call to fit as initialization, otherwise, just erase the previous solution.
这就是我在在线
浏览 2提问于2016-05-05得票数 2
回答已采纳
max_iter在sklearn.cluster.MiniBatchKMeans中的意义是什么？这是在批数据上执行partial_fit()的最大次数吗？
浏览 0提问于2020-07-08得票数 2
假设我有一个(可能)很大的语料库，大约有2.5M个语料库和500个特征(在使用gensim对原始数据运行LSI之后)。我需要语料库来使用scikit-learn训练我的分类器。但是，我需要首先将语料库转换为numpy数组。语料库创建和分类器训练器在两个不同的脚本中完成。
所以问题是，我的集合大小预计会增长，在这个阶段我已经没有足够的内存(机器上的32 my )来一次性转换所有(使用gensim.matutils.corpus2dense)。为了解决这个问题，我一次转换一个向量，但速度非常慢。
我已经考虑过将语料库转储为svmlight格式，并让scikit learn用sklearn.data
浏览 5提问于2015-12-31得票数 4
1回答
from sklearn.ensemble import RandomForestRegressor
model=RandomForestRegressor()
model.fit(X_train,y_train)
model.score(X_test,y_test)
feature_list = list(X.columns)
r = export_text(model, feature_names=feature_list,
decimals=0, show_weights=True)
print(r)
AttributeError: 'Random
浏览 1提问于2020-05-12得票数 0
回答已采纳
rfr = RandomForestRegressor(n_estimators=1, min_samples_leaf=7)
preprocess = make_column_transformer(
(StandardScaler(), ~categorical),
(OneHotEncoder(handle_unknown='ignore'), categorical))
param_grid = {"RandomForestRegressor__n_estimators": [1,10
浏览 0提问于2020-03-22得票数 2
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM活动推荐
腾讯云开发者
