IsotonicRegression

classsklearn.isotonic.IsotonicRegression(*, y_min=None, y_max=None, increasing=True, out_of_bounds='nan')[source]

Модель изотонической регрессии.

Подробнее см. в Руководстве пользователя.

Добавлена в версии 0.13.

Параметры:

y_minfloat, по умолчанию=None

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

y_maxfloat, по умолчанию=None

Верхняя граница наибольшего предсказанного значения (максимальное значение все равно может быть ниже). Если не задано, по умолчанию равно +бесконечности.

increasingbool или ‘auto’, по умолчанию=True

Определяет, должны ли предсказания возрастать или убывать с X. Значение ‘auto’ определит это на основе знака оценки ранговой корреляции Спирмена.

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

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

• ‘nan’, предсказания будут NaN.
• ‘clip’, предсказания будут установлены в значение, соответствующее ближайшей точке конца интервала обучения.
• ‘raise’, генерируется ValueError.

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_массив формы (n_thresholds,)

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

Добавлена в версии 0.24.

y_thresholds_массив формы (n_thresholds,)

Дедублицированные y значения, пригодные для интерполяции монотонной функции y = f(X).

Добавлена в версии 0.24.

f_функция

Функция поэтапной интерполяции, которая охватывает область входных данных X.

increasing_bool

Выведенное значение для increasing.

См. также

sklearn.linear_model.LinearRegression

Линейная регрессия методом наименьших квадратов.

sklearn.ensemble.HistGradientBoostingRegressor

Градиентный бустинг, являющийся непараметрической моделью, принимающей ограничения монотонности.

isotonic_regression

Функция для решения модели изотонической регрессии.

Примечания

Связи разрешаются с помощью вторичного метода из де Лиу, 1977.

Ссылки

Изотоническая медианная регрессия: подход линейного программирования Нилотапал Чакраварти Математика операций исследования Том 14, № 2 (май 1989 г.), стр. 303-308

Изотонная оптимизация в R: алгоритм «Pool-Adjacent-Violators» (PAVA) и методы активного набора де Лиу, Хорник, Майр Журнал статистического программного обеспечения 2009 г.

Корректность алгоритмов Крускала для монотонной регрессии с совпадениями де Лиу, Психодиметрика, 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)[source]

Обучение модели с использованием X, y в качестве обучающих данных.

Параметры:

Xпоследовательность типа array-like, формы (n_samples,) или (n_samples, 1)

Обучающие данные.

Изменено в версии 0.24: Также принимает двумерный массив с одним признаком.

yпоследовательность типа array-like, формы (n_samples,)

Целевые значения обучения.

sample_weightпоследовательность типа array-like, формы (n_samples,), по умолчанию=None

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

Возвращаемые значения:

selfобъект

Возвращает экземпляр self.

Примечания

X сохраняется для дальнейшего использования, так как transform нуждается в X для интерполяции новых входных данных.

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

Обучение на данных, а затем их преобразование.

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

Параметры:

Xпоследовательность типа array-like, формы (n_samples, n_features)

Входные выборки.

yпоследовательность типа array-like, формы (n_samples,) или (n_samples, n_outputs), по умолчанию=None

Целевые значения (None для безконтрольных преобразований).

**fit_paramsсловарь

Дополнительные параметры обучения.

Возвращаемые значения:

X_newмассив ndarray формы (n_samples, n_features_new)

Преобразованный массив.

get_feature_names_out(input_features=None)[source]

Получение имён выходных признаков для преобразования.

Параметры:

input_featuresпоследовательность типа array-like из str или None, по умолчанию=None

Игнорируется.

Возвращаемые значения:

feature_names_outмассив ndarray из str объектов

Массив ndarray с одной строкой, т.е. [“isotonicregression0”].

get_metadata_routing()[source]

Получение маршрутизации метаданных этого объекта.

Пожалуйста, обратитесь к Руководству пользователя для получения информации о том, как работает механизм маршрутизации.

Возвращаемые значения:

routingMetadataRequest

Объект MetadataRequest, содержащий информацию о маршрутизации.

get_params(deep=True)[source]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, вернёт параметры этого оценщика и вложенных подобъектов, являющихся оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные со значениями.

predict(T)[source]

Предсказание новых данных методом линейной интерполяции.

Параметры:

Tмассив-подобный формы (n_samples,) или (n_samples, 1)

Данные для преобразования.

Возвращает:

y_predndarray формы (n_samples,)

Преобразованные данные.

score(X, y, sample_weight=None)[source]

Возвращает коэффициент детерминации предсказания.

Коэффициент детерминации \(R^2\) определяется как \((1 - \frac{u}{v})\), где \(u\) — сумма квадратов остатков ((y_true - y_pred)** 2).sum() и \(v\) — общая сумма квадратов ((y_true - y_true.mean()) ** 2).sum(). Лучшее возможное значение равно 1.0, оно может быть отрицательным (потому что модель может быть произвольно хуже). Модель, которая всегда предсказывает ожидаемое значение y, игнорируя входные признаки, получит значение \(R^2\) равное 0.0.

Параметры:

Xмассив-подобный формы (n_samples, n_features)

Тестовые образцы. Для некоторых оценщиков это может быть предварительно вычисленная матрица ядер или список общих объектов вместо неё с формой (n_samples, n_samples_fitted), где n_samples_fitted — количество образцов, используемых при подгонке для оценщика.

yмассив-подобный формы (n_samples,) или (n_samples, n_outputs)

Истинные значения для X.

sample_weightмассив-подобный формы (n_samples,), по умолчанию=None

Веса образцов.

Возвращает:

scorefloat

\(R^2\) для self.predict(X) по отношению к y.

Примечания

Значение \(R^2\), используемое при вызове score для регрессора, использует multioutput='uniform_average' с версии 0.23 для согласованности с значением по умолчанию r2_score. Это влияет на score метод всех регрессоров с несколькими выходами (за исключением MultiOutputRegressor).

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

Запрос метаданных, переданных в метод fit.

Обратите внимание, что этот метод актуален только если enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, обратитесь к Руководству пользователя для информации о работе механизма маршрутизации.

Варианты для каждого параметра:

• True: метаданные запрашиваются и передаются fit при их наличии. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются и мета-оценщик не передаст их fit.
• None: метаданные не запрашиваются, и мета-оценщик выведет ошибку, если пользователь их предоставит.
• str: метаданные должны быть переданы мета-оценщику с этим псевдонимом вместо оригинального имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняется существующий запрос. Это позволяет изменить запрос для некоторых параметров, а не для других.

Добавлен в версии 1.3.

Примечание

Этот метод актуален только если этот оценщик используется как под-оценщик мета-оценщика, например, внутри Pipeline. В противном случае он не оказывает никакого влияния.

Параметры:

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

Маршрутизация метаданных для параметра sample_weight в fit.

Возвращает:

selfobject

Обновленный объект.

set_output(*, transform=None)[source]

Установить контейнер вывода.

См. Введение в API set_output для примера использования API.

Параметры:

transform{“default”, “pandas”, “polars”}, по умолчанию=None

Настройка вывода transform и fit_transform.

• "default": Формат вывода по умолчанию для преобразователя
• "pandas": Вывод в формате DataFrame
• "polars": Вывод в формате Polars
• None: Настройка преобразования не изменена

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

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

set_params(**params)[source]

Установите параметры этого оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (такими как Pipeline). Последние имеют параметры в формате <component>__<parameter>, чтобы было возможно обновить каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

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

Запрос метаданных, передаваемых методу score.

Обратите внимание, что этот метод актуален только если enable_metadata_routing=True, (см. sklearn.set_config). Пожалуйста, см. Руководство пользователя о том, как работает механизм маршрутизации.

Варианты для каждого параметра:

• True: метаданные запрашиваются и передаются в score, если они предоставлены. 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 под этим псевдонимом вместо оригинального имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняется существующий запрос. Это позволяет изменить запрос для некоторых параметров, а не для других.

Добавлен в версии 1.3.

Примечание

Этот метод актуален только в том случае, если этот оценщик используется в качестве под-оценщика мета-оценщика, например, внутри Pipeline. В противном случае он не оказывает никакого влияния.

Параметры:

sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для параметра sample_weight в score.

Возвращает:

selfобъект

Обновленный объект.

transform(T)[source]

Преобразовать новые данные с помощью линейной интерполяции.

Параметры:

Tмассив-подобный формы (n_samples,) или (n_samples, 1)

Данные для преобразования.

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

Возвращает:

y_predndarray формы (n_samples,)

Преобразованные данные.

Примеры из галереи

Изотоническая регрессия