BayesianRidge#

класс sklearn.linear_model.BayesianRidge(*, max_iter=300, tol=0.001, alpha_1=1e-06, alpha_2=1e-06, lambda_1=1e-06, lambda_2=1e-06, alpha_init=None, lambda_init=None, compute_score=False, fit_intercept=True, copy_X=True, verbose=False)[источник]#

Байесовская гребневая регрессия.

Обучает байесовскую гребневую модель. Подробности об этой реализации и оптимизации параметров регуляризации лямбда (точность весов) и альфа (точность шума) см. в разделе Notes.

Подробнее в Руководство пользователя. Для интуитивной визуализации того, как синусоида аппроксимируется полиномом с использованием различных пар начальных значений, см. Аппроксимация кривой с использованием байесовской гребневой регрессии.

Параметры:
max_iterint, по умолчанию=300

Максимальное количество итераций по полному набору данных перед остановкой независимо от любых критериев ранней остановки.

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.

alpha_initfloat, по умолчанию=None

Начальное значение для alpha (точность шума). Если не задано, alpha_init равно 1/Var(y).

Добавлено в версии 0.22.

lambda_initfloat, по умолчанию=None

Начальное значение для лямбды (точность весов). Если не задано, lambda_init равно 1.

Добавлено в версии 0.22.

compute_scorebool, по умолчанию=False

Если True, вычисляет логарифм маргинального правдоподобия на каждой итерации оптимизации.

fit_interceptbool, по умолчанию=True

Определять ли свободный член для этой модели. Свободный член не рассматривается как вероятностный параметр и поэтому не имеет связанной дисперсии. Если установлено в 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)

intercept_float

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

alpha_float

Оцененная точность шума.

lambda_float

Оцененная точность весов.

sigma_array-like формы (n_features, n_features)

Оценочная матрица дисперсии-ковариации весов

scores_массивоподобный формы (n_iter_+1,)

Если computed_score равно True, значение логарифма маргинального правдоподобия (которое нужно максимизировать) на каждой итерации оптимизации. Массив начинается со значения логарифма маргинального правдоподобия, полученного для начальных значений alpha и lambda, и заканчивается значением, полученным для оценённых alpha и lambda.

n_iter_int

Фактическое количество итераций для достижения критерия остановки.

X_offset_ndarray формы (n_features,)

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

X_scale_ndarray формы (n_features,)

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

ARDRegression

Байесовская ARD-регрессия.

Примечания

Существует несколько стратегий выполнения байесовской гребневой регрессии. Эта реализация основана на алгоритме, описанном в Приложении A (Tipping, 2001), где обновления параметров регуляризации выполняются, как предложено в (MacKay, 1992). Обратите внимание, что согласно A New View of Automatic Relevance Determination (Wipf and Nagarajan, 2008) эти правила обновления не гарантируют, что маргинальное правдоподобие увеличивается между двумя последовательными итерациями оптимизации.

Ссылки

D. J. C. MacKay, Bayesian Interpolation, Computation and Neural Systems, Vol. 4, No. 3, 1992.

M. E. Tipping, Sparse Bayesian Learning and the Relevance Vector Machine, Journal of Machine Learning Research, Vol. 1, 2001.

Примеры

>>> from sklearn import linear_model
>>> clf = linear_model.BayesianRidge()
>>> clf.fit([[0,0], [1, 1], [2, 2]], [0, 1, 2])
BayesianRidge()
>>> clf.predict([[1, 1]])
array([1.])
fit(X, y, sample_weight=None)[источник]#

Обучите модель.

Параметры:
Xndarray формы (n_samples, n_features)

Обучающие данные.

yndarray формы (n_samples,)

Целевые значения. Будут приведены к типу данных X при необходимости.

sample_weightndarray формы (n_samples,), по умолчанию=None

Индивидуальные веса для каждого образца.

Добавлено в версии 0.20: параметр sample_weight поддержку для BayesianRidge.

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, 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_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → BayesianRidge[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_predict_request(*, return_std: bool | None | str = '$UNCHANGED$') → BayesianRidge[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 = '$UNCHANGED$') → BayesianRidge[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.