TweedieRegressor#

класс sklearn.linear_model.TweedieRegressor(*, степень=0.0, alpha=1.0, fit_intercept=True, ссылка='auto', solver='lbfgs', max_iter=100, tol=0.0001, warm_start=False, verbose=0)[источник]#

Обобщенная линейная модель с распределением Твиди.

Этот оценщик может использоваться для моделирования различных GLM в зависимости от power параметр, который определяет базовое распределение.

Подробнее в Руководство пользователя.

Добавлено в версии 0.23.

Параметры:
степеньfloat, по умолчанию=0

Степень определяет базовое распределение целевой переменной согласно следующей таблице:

Power

Распределение

0

Нормальный

1

Пуассон

(1,2)

Compound Poisson Gamma

2

Gamma

3

Обратное гауссовское распределение

Для 0 < power < 1, распределение не существует.

alphafloat, по умолчанию=1

Константа, умножающая член штрафа L2 и определяющая силу регуляризации. alpha = 0 эквивалентен нештрафованным GLM. В этом случае матрица плана X должен иметь полный ранг столбцов (без коллинеарностей). Значения alpha должен быть в диапазоне [0.0, inf).

fit_interceptbool, по умолчанию=True

Указывает, должна ли константа (также известная как смещение или перехват) быть добавлена к линейному предиктору (X @ coef + intercept).

ссылка{'auto', 'identity', 'log'}, по умолчанию='auto'

Связующая функция GLM, т.е. отображение линейного предиктора X @ coeff + intercept для прогнозирования y_predОпция 'auto' устанавливает связь в зависимости от выбранного power параметр следующим образом:

  • 'identity' для power <= 0, например, для нормального распределения

  • ‘log’ для power > 0, например, для распределений Пуассона, Гамма и обратного Гаусса

solver{‘lbfgs’, ‘newton-cholesky’}, по умолчанию=’lbfgs’

Алгоритм для использования в задаче оптимизации:

'lbfgs'

Вызывает оптимизатор L-BFGS-B из scipy.

Как было сказано ранее, "положительная метка" не определена как значение "1", и вызов некоторых метрик с этим нестандартным значением вызывает ошибку. Нам нужно указать "положительную метку" для метрик.

Использует шаги Ньютона-Рафсона (в арифметике произвольной точности, эквивалентные итеративному взвешенному методу наименьших квадратов) с внутренним решателем на основе Холецкого. Этот решатель является хорошим выбором для n_samples >> n_features, особенно с категориальными признаками, закодированными методом one-hot, с редкими категориями. Учтите, что использование памяти этим решателем имеет квадратичную зависимость от n_features поскольку он явно вычисляет матрицу Гессе.

Добавлено в версии 1.2.

max_iterint, по умолчанию=100

Максимальное количество итераций для решателя. Значения должны быть в диапазоне [1, inf).

tolfloat, по умолчанию=1e-4

Критерий остановки. Для решателя lbfgs итерация остановится, когда max{|g_j|, j = 1, ..., d} <= tol где g_j является j-й компонентой градиента (производной) целевой функции. Значения должны быть в диапазоне (0.0, inf).

warm_startbool, по умолчанию=False

Если установлено в True, повторно использовать решение предыдущего вызова fit в качестве инициализации для coef_ и intercept_ .

verboseint, по умолчанию=0

Для решателя lbfgs установите verbose в любое положительное число для вывода подробной информации. Значения должны быть в диапазоне [0, inf).

Атрибуты:
coef_массив формы (n_features,)

Расчетные коэффициенты для линейного предиктора (X @ coef_ + intercept_) в GLM.

intercept_float

Свободный член (также известный как смещение), добавленный к линейному предиктору.

n_iter_int

Фактическое количество итераций, использованных в решателе.

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

PoissonRegressor

Обобщённая линейная модель с распределением Пуассона.

GammaRegressor

Обобщённая линейная модель с гамма-распределением.

Примеры

>>> from sklearn import linear_model
>>> clf = linear_model.TweedieRegressor()
>>> X = [[1, 2], [2, 3], [3, 4], [4, 3]]
>>> y = [2, 3.5, 5, 5.5]
>>> clf.fit(X, y)
TweedieRegressor()
>>> clf.score(X, y)
np.float64(0.839)
>>> clf.coef_
array([0.599, 0.299])
>>> clf.intercept_
np.float64(1.600)
>>> clf.predict([[1, 1], [3, 4]])
array([2.500, 4.599])
fit(X, y, sample_weight=None)[источник]#

Подогнать обобщенную линейную модель.

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

Обучающие данные.

yarray-like формы (n_samples,)

Целевые значения.

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

Веса выборок.

Возвращает:
selfobject

Обученная модель.

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]#

Прогнозирование с использованием GLM с матрицей признаков X.

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

Образцы.

Возвращает:
y_predмассив формы (n_samples,)

Возвращает предсказанные значения.

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

Вычислите D^2, процент объяснённого отклонения.

D^2 является обобщением коэффициента детерминации R^2. R^2 использует квадратичную ошибку, а D^2 использует девианс этого GLM, см. Руководство пользователя.

D^2 определяется как \(D^2 = 1-\frac{D(y_{true},y_{pred})}{D_{null}}\), \(D_{null}\) является нулевым отклонением, т.е. отклонением модели только с перехватом, что соответствует \(y_{pred} = \bar{y}\). Среднее \(\bar{y}\) усредняется по sample_weight. Наилучший возможный результат - 1.0, и он может быть отрицательным (потому что модель может быть сколь угодно хуже).

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

Тестовые выборки.

yarray-like формы (n_samples,)

Истинные значения цели.

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

Веса выборок.

Возвращает:
scorefloat

D^2 от self.predict(X) относительно y.

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