ARDRegression#

класс sklearn.linear_model.ARDRegression(*, max_iter=300, tol=0.001, alpha_1=1e-06, alpha_2=1e-06, lambda_1=1e-06, lambda_2=1e-06, compute_score=False, threshold_lambda=10000.0, fit_intercept=True, copy_X=True, verbose=False)[источник]#

Байесовская ARD-регрессия.

Обучает веса регрессионной модели, используя ARD априор. Веса регрессионной модели предполагаются распределёнными по Гауссу. Также оценивает параметры lambda (точности распределений весов) и alpha (точность распределения шума). Оценка выполняется итеративными процедурами (максимизация правдоподобия)

Подробнее в Руководство пользователя.

Параметры:
max_iterint, по умолчанию=300

Максимальное количество итераций.

Изменено в версии 1.3.

tolfloat, по умолчанию=1e-3

Остановить алгоритм, если w сошелся.

alpha_1float, по умолчанию=1e-6

Гиперпараметр: параметр формы для априорного распределения Гамма над параметром альфа.

alpha_2float, по умолчанию=1e-6

Гиперпараметр: обратный параметр масштаба (параметр скорости) для гамма-распределения априорного значения параметра alpha.

lambda_1float, по умолчанию=1e-6

Гиперпараметр : параметр формы для гамма-распределения априори над параметром lambda.

lambda_2float, по умолчанию=1e-6

Гиперпараметр: параметр обратного масштаба (параметр скорости) для Гамма-распределения априорного над параметром lambda.

compute_scorebool, по умолчанию=False

Если True, вычисляет целевую функцию на каждом шаге модели.

threshold_lambdafloat, default=10 000

Порог для удаления (обрезки) весов с высокой точностью из вычислений.

fit_interceptbool, по умолчанию=True

Вычислять ли свободный член для этой модели. Если установлено false, свободный член не будет использоваться в вычислениях (т.е. ожидается, что данные центрированы).

copy_Xbool, по умолчанию=True

Если True, X будет скопирован; иначе, он может быть перезаписан.

verbosebool, по умолчанию=False

Режим подробного вывода при обучении модели.

Атрибуты:
coef_массивоподобный формы (n_features,)

Коэффициенты регрессионной модели (среднее распределения)

alpha_float

оцененная точность шума.

lambda_массивоподобный формы (n_features,)

оцененные точности весов.

sigma_array-like формы (n_features, n_features)

оценочная матрица дисперсии-ковариации весов

scores_float

если вычислено, значение целевой функции (для максимизации)

n_iter_int

Фактическое количество итераций для достижения критерия остановки.

Добавлено в версии 1.3.

intercept_float

Независимый член в функции решения. Установлен в 0.0, если fit_intercept = False.

X_offset_float

Если fit_intercept=True, смещение, вычитаемое для центрирования данных к нулевому среднему. В противном случае устанавливается в np.zeros(n_features).

X_scale_float

Установить в np.ones(n_features).

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

BayesianRidge

Байесовская гребневая регрессия.

Ссылки

D. J. C. MacKay, Байесовское нелинейное моделирование для конкурса прогнозирования, Труды ASHRAE, 1994.

R. Salakhutdinov, Лекции по статистическому машинному обучению, http://www.utstat.toronto.edu/~rsalakhu/sta4273/notes/Lecture2.pdf#page=15 Их бета — это наша self.alpha_ Их альфа — это наша self.lambda_ ARD немного отличается от слайда: только размерности/признаки, для которых self.lambda_ < self.threshold_lambda сохраняются, а остальные отбрасываются.

Примеры

>>> from sklearn import linear_model
>>> clf = linear_model.ARDRegression()
>>> clf.fit([[0,0], [1, 1], [2, 2]], [0, 1, 2])
ARDRegression()
>>> clf.predict([[1, 1]])
array([1.])
fit(X, y)[источник]#

Обучить модель в соответствии с предоставленными обучающими данными и параметрами.

Итеративная процедура для максимизации свидетельства

Параметры:
Xarray-like формы (n_samples, n_features)

Вектор обучения, где n_samples — это количество образцов и n_features это количество признаков.

yarray-like формы (n_samples,)

Целевые значения (целые числа). Будут приведены к типу X при необходимости.

Возвращает:
selfobject

Обученный оценщик.

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, return_std=False)[источник]#

Прогнозирование с использованием линейной модели.

В дополнение к среднему прогностического распределения, также может быть возвращено его стандартное отклонение.

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

Образцы.

return_stdbool, по умолчанию=False

Возвращать ли стандартное отклонение апостериорного предсказания.

Возвращает:
y_meanarray-like формы (n_samples,)

Среднее апостериорного распределения для запрашиваемых точек.

y_stdarray-like формы (n_samples,)

Стандартное отклонение прогностического распределения точек запроса.

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_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_predict_request(*, return_std: bool | None | str = '$UNCHANGED$') → ARDRegression[источник]#

Настроить, следует ли запрашивать передачу метаданных в predict 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 predict если предоставлено. Запрос игнорируется, если метаданные не предоставлены.

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

  • 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:
return_stdstr, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для return_std параметр в predict.

Возвращает:
selfobject

Обновленный объект.

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → ARDRegression[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.