IsotonicRegression#

класс sklearn.isotonic.IsotonicRegression(*, y_min=None, y_max=None, увеличивая=True, выход_за_границы='nan')[источник]#

Модель изотонической регрессии.

Подробнее в Руководство пользователя.

Добавлено в версии 0.13.

Параметры:
y_minfloat, по умолчанию=None

Нижняя граница для наименьшего предсказанного значения (минимальное значение всё равно может быть выше). Если не задано, по умолчанию равно -inf.

y_maxfloat, по умолчанию=None

Верхняя граница для наибольшего предсказанного значения (максимум может быть ниже). Если не задано, по умолчанию равно +inf.

увеличиваяbool или 'auto', по умолчанию=True

Определяет, должны ли предсказания быть ограничены увеличением или уменьшением с X. 'auto' будет решать на основе знака оценки корреляции Спирмена.

выход_за_границы{‘nan’, ‘clip’, ‘raise’}, по умолчанию=’nan’

Обрабатывает, как X значения вне области обучения обрабатываются во время предсказания.

  • 'nan', предсказания будут NaN.

  • ‘clip’, прогнозы будут установлены в значение, соответствующее ближайшей конечной точке интервала обучения.

  • ‘raise’, a ValueError вызывается исключение.

Атрибуты:
X_min_float

Минимальное значение входного массива X_ для левой границы.

X_max_float

Максимальное значение входного массива X_ для правой границы.

X_thresholds_ndarray формы (n_thresholds,)

Уникальные возрастающие X значения, используемые для интерполяции монотонной функции y = f(X).

Добавлено в версии 0.24.

y_thresholds_ndarray формы (n_thresholds,)

Дедуплицированный y значения, подходящие для интерполяции монотонной функции y = f(X).

Добавлено в версии 0.24.

f_функция

Пошаговая интерполирующая функция, покрывающая входную область X.

increasing_bool

Выведенное значение для increasing.

Смотрите также

sklearn.linear_model.LinearRegression

Линейная регрессия методом наименьших квадратов.

sklearn.ensemble.HistGradientBoostingRegressor

Градиентный бустинг, который является непараметрической моделью, принимающей ограничения монотонности.

isotonic_regression

Функция для решения модели изотонической регрессии.

Примечания

Ничьи разрываются с использованием вторичного метода из de Leeuw, 1977.

Ссылки

Изотопическая медианная регрессия: подход линейного программирования Нилопал Чакраварти Математика операционных исследований Том 14, № 2 (май 1989), стр. 303-308

Изотонная оптимизация в R: алгоритм PAVA (Pool-Adjacent-Violators) и методы активного множества de Leeuw, Hornik, Mair Journal of Statistical Software 2009

Корректность алгоритмов Краскала для монотонной регрессии со связями де Леув, Psychometrica, 1977

Примеры

>>> from sklearn.datasets import make_regression
>>> from sklearn.isotonic import IsotonicRegression
>>> X, y = make_regression(n_samples=10, n_features=1, random_state=41)
>>> iso_reg = IsotonicRegression().fit(X, y)
>>> iso_reg.predict([.1, .2])
array([1.8628, 3.7256])
fit(X, y, sample_weight=None)[источник]#

Обучите модель, используя X, y в качестве обучающих данных.

Параметры:
Xarray-like формы (n_samples,) или (n_samples, 1)

Обучающие данные.

Изменено в версии 0.24: Также принимает 2d массив с 1 признаком.

yarray-like формы (n_samples,)

Целевая переменная обучения.

sample_weightarray-like формы (n_samples,), по умолчанию=None

Веса. Если установлено в None, все веса будут установлены в 1 (равные веса).

Возвращает:
selfobject

Возвращает экземпляр self.

Примечания

X сохраняется для будущего использования, так как transform требуется X для интерполяции новых входных данных.

fit_transform(X, y=None, **fit_params)[источник]#

Обучение на данных с последующим преобразованием.

Обучает преобразователь на X и y с необязательными параметрами fit_params и возвращает преобразованную версию X.

Параметры:
Xarray-like формы (n_samples, n_features)

Входные выборки.

yarray-like формы (n_samples,) или (n_samples, n_outputs), default=None

Целевые значения (None для неконтролируемых преобразований).

**fit_paramsdict

Дополнительные параметры обучения. Передавайте только если оценщик принимает дополнительные параметры в своем fit метод.

Возвращает:
X_newndarray массив формы (n_samples, n_features_new)

Преобразованный массив.

get_feature_names_out(input_features=None)[источник]#

Получить имена выходных признаков для преобразования.

Параметры:
input_featuresarray-like из str или None, по умолчанию=None

Игнорируется.

Возвращает:
feature_names_outndarray из str объектов

ndarray с одной строкой, например ["isotonicregression0"].

6332()[источник]#

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Возвращает:
маршрутизацияMetadataRequest

A MetadataRequest Инкапсуляция информации о маршрутизации.

get_params(глубокий=True)[источник]#

Получить параметры для этого оценщика.

Параметры:
глубокийbool, по умолчанию=True

Если True, вернет параметры для этого оценщика и вложенных подобъектов, которые являются оценщиками.

Возвращает:
paramsdict

Имена параметров, сопоставленные с их значениями.

predict(T)[источник]#

Предсказание новых данных с помощью линейной интерполяции.

Параметры:
Tarray-like формы (n_samples,) или (n_samples, 1)

Данные для преобразования.

Возвращает:
y_predndarray формы (n_samples,)

Преобразованные данные.

score(X, y, sample_weight=None)[источник]#

Возвращает коэффициент детерминации на тестовых данных.

Коэффициент детерминации, \(R^2\), определяется как \((1 - \frac{u}{v})\), где \(u\) является остаточной суммой квадратов ((y_true - y_pred)** 2).sum() и \(v\) является общей суммой квадратов ((y_true - y_true.mean()) ** 2).sum()Лучший возможный результат - 1.0, и он может быть отрицательным (потому что модель может быть сколь угодно хуже). Постоянная модель, которая всегда предсказывает ожидаемое значение y, игнорируя входные признаки, получит \(R^2\) оценка 0.0.

Параметры:
Xarray-like формы (n_samples, n_features)

Тестовые выборки. Для некоторых оценщиков это может быть предварительно вычисленная матрица ядра или список общих объектов вместо этого с формой (n_samples, n_samples_fitted), где n_samples_fitted — это количество образцов, использованных при обучении оценщика.

yarray-like формы (n_samples,) или (n_samples, n_outputs)

Истинные значения для X.

sample_weightarray-like формы (n_samples,), по умолчанию=None

Веса выборок.

Возвращает:
scorefloat

\(R^2\) of self.predict(X) относительно y.

Примечания

The \(R^2\) оценка, используемая при вызове score на регрессоре использует multioutput='uniform_average' с версии 0.23 для сохранения согласованности со значением по умолчанию r2_score. Это влияет на score метод всех многомерных регрессоров (кроме MultiOutputRegressor).

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → IsotonicRegression[источник]#

Настроить, следует ли запрашивать передачу метаданных в fit метод.

Обратите внимание, что этот метод актуален только тогда, когда этот оценщик используется как под-оценщик внутри мета-оценщик и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Варианты для каждого параметра:

  • True: запрашиваются метаданные и передаются fit если предоставлено. Запрос игнорируется, если метаданные не предоставлены.

  • False: метаданные не запрашиваются, и мета-оценщик не передаст их в fit.

  • None: метаданные не запрашиваются, и мета-оценщик выдаст ошибку, если пользователь предоставит их.

  • str: метаданные должны передаваться мета-оценщику с этим заданным псевдонимом вместо исходного имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет существующий запрос. Это позволяет изменять запрос для некоторых параметров, но не для других.

Добавлено в версии 1.3.

Параметры:
sample_weightstr, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для sample_weight параметр в fit.

Возвращает:
selfobject

Обновленный объект.

set_output(*, преобразовать=None)[источник]#

Установить контейнер вывода.

См. Введение API set_output для примера использования API.

Параметры:
преобразовать{“default”, “pandas”, “polars”}, по умолчанию=None

Настройка вывода transform и fit_transform.

  • "default": Формат вывода трансформера по умолчанию

  • "pandas": DataFrame вывод

  • "polars": Вывод Polars

  • None: Конфигурация преобразования не изменена

Добавлено в версии 1.4: "polars" опция была добавлена.

Возвращает:
selfэкземпляр estimator

Экземпляр оценщика.

set_params(**params)[источник]#

Установить параметры этого оценщика.

Метод работает как на простых оценщиках, так и на вложенных объектах (таких как Pipeline). Последние имеют параметры вида __ чтобы можно было обновить каждый компонент вложенного объекта.

Параметры:
**paramsdict

Параметры оценщика.

Возвращает:
selfэкземпляр estimator

Экземпляр оценщика.

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → IsotonicRegression[источник]#

Настроить, следует ли запрашивать передачу метаданных в score метод.

Обратите внимание, что этот метод актуален только тогда, когда этот оценщик используется как под-оценщик внутри мета-оценщик и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Варианты для каждого параметра:

  • True: запрашиваются метаданные и передаются score если предоставлено. Запрос игнорируется, если метаданные не предоставлены.

  • False: метаданные не запрашиваются, и мета-оценщик не передаст их в score.

  • None: метаданные не запрашиваются, и мета-оценщик выдаст ошибку, если пользователь предоставит их.

  • str: метаданные должны передаваться мета-оценщику с этим заданным псевдонимом вместо исходного имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет существующий запрос. Это позволяет изменять запрос для некоторых параметров, но не для других.

Добавлено в версии 1.3.

Параметры:
sample_weightstr, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для sample_weight параметр в score.

Возвращает:
selfobject

Обновленный объект.

преобразовать(T)[источник]#

Преобразование новых данных с помощью линейной интерполяции.

Параметры:
Tarray-like формы (n_samples,) или (n_samples, 1)

Данные для преобразования.

Изменено в версии 0.24: Также принимает 2d массив с 1 признаком.

Возвращает:
y_predndarray формы (n_samples,)

Преобразованные данные.