KernelRidge#

класс sklearn.kernel_ridge.KernelRidge(alpha=1, *, ядро='linear', gamma=None, степень=3, coef0=1, kernel_params=None)[источник]#

Регрессия ядерного гребня.

Ядерная гребневая регрессия (KRR) объединяет гребневую регрессию (линейные наименьшие квадраты с регуляризацией l2-нормы) с ядерным трюком. Таким образом, она изучает линейную функцию в пространстве, индуцированном соответствующим ядром и данными. Для нелинейных ядер это соответствует нелинейной функции в исходном пространстве.

Форма модели, изучаемой KRR, идентична модели регрессии опорных векторов (SVR). Однако используются разные функции потерь: KRR использует квадратичную ошибку, в то время как SVR использует эпсилон-нечувствительную потерю, обе в сочетании с L2-регуляризацией. В отличие от SVR, подгонка модели KRR может быть выполнена в замкнутой форме и обычно быстрее для средних наборов данных. С другой стороны, изученная модель не является разреженной и поэтому медленнее, чем SVR, которая изучает разреженную модель для epsilon > 0, во время предсказания.

Этот оценщик имеет встроенную поддержку многомерной регрессии (т.е., когда y является 2d-массивом формы [n_samples, n_targets]).

Подробнее в Руководство пользователя.

Параметры:
alphafloat или array-like формы (n_targets,), по умолчанию=1.0

Сила регуляризации; должна быть положительным числом с плавающей точкой. Регуляризация улучшает обусловленность задачи и уменьшает дисперсию оценок. Большие значения указывают на более сильную регуляризацию. Alpha соответствует 1 / (2C) в других линейных моделях, таких как LogisticRegression или LinearSVC. Если передается массив, предполагается, что штрафы являются специфичными для целей. Следовательно, они должны соответствовать по количеству. См. Ридж-регрессия и классификация для формулы.

ядроstr или callable, по умолчанию="linear"

Ядерное отображение, используемое внутри. Этот параметр напрямую передается в pairwise_kernels. Если kernel является строкой, она должна быть одной из метрик в pairwise.PAIRWISE_KERNEL_FUNCTIONS или "precomputed". Если kernel равно "precomputed", X считается матрицей ядра. В противном случае, если kernel является вызываемой функцией, она вызывается для каждой пары экземпляров (строк), и полученное значение записывается. Вызываемая функция должна принимать две строки из X в качестве входных данных и возвращать соответствующее значение ядра в виде одного числа. Это означает, что вызываемые функции из sklearn.metrics.pairwise не разрешены, так как они работают с матрицами, а не с отдельными выборками. Используйте строку, идентифицирующую ядро.

gammafloat, по умолчанию=None

Параметр Gamma для RBF, лапласиана, полинома, экспоненциального chi2 и сигмоидных ядер. Интерпретация значения по умолчанию оставлена на усмотрение ядра; см. документацию sklearn.metrics.pairwise. Игнорируется другими ядрами.

степеньfloat, по умолчанию=3

Степень полиномиального ядра. Игнорируется другими ядрами.

coef0float, по умолчанию=1

Нулевой коэффициент для полиномиальных и сигмоидных ядер. Игнорируется другими ядрами.

kernel_paramsdict, по умолчанию=None

Дополнительные параметры (ключевые аргументы) для функции ядра, передаваемые как вызываемый объект.

Атрибуты:
dual_coef_ndarray формы (n_samples,) или (n_samples, n_targets)

Представление вектора(ов) весов в пространстве ядра.

X_fit_{ndarray, разреженная матрица} формы (n_samples, n_features)

Обучающие данные, которые также требуются для предсказания. Если kernel == "precomputed", то это предварительно вычисленная обучающая матрица формы (n_samples, n_samples).

n_features_in_int

Количество признаков, замеченных во время fit.

Добавлено в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Имена признаков, наблюдаемых во время fit. Определено только когда X имеет имена признаков, которые все являются строками.

Добавлено в версии 1.0.

Смотрите также

sklearn.gaussian_process.GaussianProcessRegressor

Регрессор гауссовского процесса с автоматической настройкой гиперпараметров ядра и предсказанием неопределенности.

sklearn.linear_model.Ridge

Linear ridge regression.

sklearn.linear_model.RidgeCV

Ридж-регрессия со встроенной кросс-валидацией.

sklearn.svm.SVR

Метод опорных векторов для регрессии, принимающий большое разнообразие ядер.

Ссылки

  • Кевин П. Мерфи «Машинное обучение: вероятностная перспектива», The MIT Press глава 14.4.3, стр. 492-493

Примеры

>>> from sklearn.kernel_ridge import KernelRidge
>>> import numpy as np
>>> n_samples, n_features = 10, 5
>>> rng = np.random.RandomState(0)
>>> y = rng.randn(n_samples)
>>> X = rng.randn(n_samples, n_features)
>>> krr = KernelRidge(alpha=1.0)
>>> krr.fit(X, y)
KernelRidge(alpha=1.0)
fit(X, y, sample_weight=None)[источник]#

Обучить модель Kernel Ridge регрессии.

Параметры:
X{array-like, sparse matrix} формы (n_samples, n_features)

Обучающие данные. Если kernel == "precomputed", это вместо этого предварительно вычисленная матрица ядра формы (n_samples, n_samples).

yмассивоподобный формы (n_samples,) или (n_samples, n_targets)

Целевые значения.

sample_weightfloat или array-like формы (n_samples,), по умолчанию=None

Индивидуальные веса для каждого образца, игнорируются, если передано None.

Возвращает:
selfobject

Возвращает сам экземпляр.

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(X)[источник]#

Предсказать с использованием модели ядерной гребневой регрессии.

Параметры:
X{array-like, sparse matrix} формы (n_samples, n_features)

Образцы. Если kernel == "precomputed", это вместо этого предварительно вычисленная матрица ядра, форма = [n_samples, n_samples_fitted], где n_samples_fitted — количество образцов, использованных при обучении для этого оценщика.

Возвращает:
Cndarray формы (n_samples,) или (n_samples, n_targets)

Возвращает предсказанные значения.

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 = '$UNCHANGED$') → KernelRidge[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_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 = '$UNCHANGED$') → KernelRidge[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.