IsotonicRegression

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

Модель изотонической регрессии.

Подробнее см. в руководстве пользователя.

Добавлено в версии 0.13.

Параметры:

y_minfloat, default=None

Нижняя граница минимального прогнозируемого значения (минимальное значение всё ещё может быть выше). Если не задано, по умолчанию равно -inf.

y_maxfloat, default=None

Верхняя граница максимального прогнозируемого значения (максимальное значение всё ещё может быть ниже). Если не задано, по умолчанию равно +inf.

increasingbool or ‘auto’, default=True

Определяет, должны ли прогнозы с учётом X быть ограничены возрастанием или убыванием. Значение ‘auto’ определяется на основе знака оценки корреляции Спирмена.

out_of_bounds{‘nan’, ‘clip’, ‘raise’}, default=’nan’

Определяет обработку значений X за пределами обучающей области при прогнозировании.

• ‘nan’ — прогнозы будут равны NaN.
• ‘clip’ — прогнозы будут заменены значением, соответствующим ближайшей границе обучающего интервала.
• ‘raise’ — вызывается 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_ndarray of shape (n_thresholds,)

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

Добавлено в версии 0.24.

y_thresholds_ndarray of shape (n_thresholds,)

Удалённые дубликаты значений y, подходящие для интерполяции монотонной функции y = f(X).

Добавлено в версии 0.24.

f_function

Ступенчатая интерполирующая функция, охватывающая входную область X.

increasing_bool

Выведенное значение для increasing.

См. также

sklearn.linear_model.LinearRegression

Линейная регрессия методом наименьших квадратов.

sklearn.ensemble.HistGradientBoostingRegressor

Градиентный бустинг — непараметрическая модель, поддерживающая ограничения монотонности.

isotonic_regression

Функция для решения задачи изотонической регрессии.

Примечания

Равные значения разрешаются с помощью второго метода из работы de Leeuw, 1977.

Ссылки

Изотоническая медианная регрессия: подход линейного программирования. Nilotpal Chakravarti. Mathematics of Operations Research, том 14, № 2 (май 1989), с. 303–308

Изотонная оптимизация в R: алгоритм объединения соседних нарушителей (PAVA) и методы активного множества. de Leeuw, Hornik, Mair. Journal of Statistical Software, 2009

Корректность алгоритмов Краскала для монотонной регрессии с равными значениями. de Leeuw, Psychometrica, 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)[исходный код]

Обучить модель на обучающих данных X, y.

Параметры:

Xarray-like of shape (n_samples,) or (n_samples, 1)

Обучающие данные.

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

yarray-like of shape (n_samples,)

Целевые значения для обучения.

sample_weightarray-like of shape (n_samples,), default=None

Веса. Если задано None, все веса будут равны 1 (одинаковые веса).

Возвращает:

selfobject

Возвращает экземпляр self.

Примечания

X сохраняется для дальнейшего использования, поскольку transform требуется X для интерполяции новых входных данных.

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

Обучить на данных, а затем преобразовать их.

Обучает преобразователь на X и y с дополнительными параметрами fit_params и возвращает преобразованную версию X.

Параметры:

Xarray-like of shape (n_samples, n_features)

Входные выборки.

yarray-like of shape (n_samples,) or (n_samples, n_outputs), default=None

Целевые значения (None для преобразований без учителя).

**fit_paramsdict

Дополнительные параметры обучения. Передавайте их, только если оценщик принимает дополнительные параметры в методе fit.

Возвращает:

X_newndarray array of shape (n_samples, n_features_new)

Преобразованный массив.

get_feature_names_out(input_features=None)[исходный код]

Получить имена выходных признаков для преобразования.

Параметры:

input_featuresarray-like of str or None, default=None

Игнорируется.

Возвращает:

feature_names_outndarray of str objects

Массив ndarray с одной строкой, то есть [“isotonicregression0”].

get_metadata_routing()[исходный код]

Получить маршрутизацию метаданных этого объекта.

Подробнее о работе механизма маршрутизации см. в руководстве пользователя.

Возвращает:

routingMetadataRequest

MetadataRequest, содержащий сведения о маршрутизации.

get_params(deep=True)[исходный код]

Получить параметры этого оценщика.

Параметры:

deepbool, default=True

Если True, возвращает параметры этого оценщика и содержащихся в нём подобъектов, которые являются оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные их значениям.

predict(T)[исходный код]

Прогнозировать значения для новых данных с помощью линейной интерполяции.

Параметры:

Tarray-like of shape (n_samples,) or (n_samples, 1)

Данные для преобразования.

Возвращает:

y_predndarray of shape (n_samples,)

Преобразованные данные.

score(X, y, sample_weight=None)[исходный код]

Вернуть коэффициент детерминации на тестовых данных.

Коэффициент детерминации \(R^2\) определяется как \((1 - \frac{u}{v})\), где \(u\) — сумма квадратов остатков ((y_true - y_pred)** 2).sum(), а \(v\) — общая сумма квадратов ((y_true - y_true.mean()) ** 2).sum(). Наилучшее возможное значение оценки — 1.0; она может быть отрицательной (поскольку модель может быть сколь угодно хуже). Константная модель, всегда прогнозирующая ожидаемое значение y и игнорирующая входные признаки, получила бы оценку \(R^2\), равную 0.0.

Параметры:

Xarray-like of shape (n_samples, n_features)

Тестовые выборки. Для некоторых оценщиков это может быть предварительно вычисленная матрица ядра или список универсальных объектов формы (n_samples, n_samples_fitted), где n_samples_fitted — число выборок, использованных при обучении оценщика.

yarray-like of shape (n_samples,) or (n_samples, n_outputs)

Истинные значения для X.

sample_weightarray-like of shape (n_samples,), default=None

Веса выборок.

Возвращает:

scorefloat

Значение \(R^2\) для self.predict(X) относительно y.

Примечания

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

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

Настроить, следует ли запрашивать передачу метаданных методу fit.

Обратите внимание, что этот метод применим только в том случае, если данный оценщик используется как вложенный оценщик в составе метаоценщика и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). Подробнее о работе механизма маршрутизации см. в руководстве пользователя.

Для каждого параметра доступны следующие варианты:

• True: метаданные запрашиваются и, если предоставлены, передаются в fit. Если метаданные не предоставлены, запрос игнорируется.
• False: метаданные не запрашиваются, и метаоценщик не передаёт их в fit.
• None: метаданные не запрашиваются, и метаоценщик вызовет ошибку, если пользователь их предоставит.
• str: метаданные следует передавать метаоценщику под указанным псевдонимом вместо исходного имени.

Значение по умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет существующий запрос. Это позволяет изменить запрос для некоторых параметров, не меняя его для остальных.

Добавлено в версии 1.3.

Параметры:

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

Маршрутизация метаданных для параметра sample_weight метода fit.

Возвращает:

selfobject

Обновлённый объект.

set_output(*, transform=None)[исходный код]

Задать контейнер вывода.

Подробнее см. в руководстве пользователя, а пример использования API приведён в разделе Знакомство с API set_output.

Параметры:

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

Настроить формат вывода методов transform и fit_transform.

• "default": формат вывода преобразователя по умолчанию
• "pandas": вывод в формате DataFrame
• "polars": вывод в формате Polars
• None: конфигурация преобразования остаётся без изменений

Добавлено в версии 1.4: добавлен параметр "polars".

Возвращает:

selfestimator instance

Экземпляр оценщика.

set_params(**params)[исходный код]

Задать параметры этого оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (например, Pipeline). У последних параметры имеют вид <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfestimator instance

Экземпляр оценщика.

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

Настроить, следует ли запрашивать передачу метаданных методу score.

Обратите внимание, что этот метод применим только в том случае, если данный оценщик используется как вложенный оценщик в составе метаоценщика и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). Подробнее о работе механизма маршрутизации см. в руководстве пользователя.

Для каждого параметра доступны следующие варианты:

• True: метаданные запрашиваются и, если предоставлены, передаются в score. Если метаданные не предоставлены, запрос игнорируется.
• False: метаданные не запрашиваются, и метаоценщик не передаёт их в score.
• None: метаданные не запрашиваются, и метаоценщик вызовет ошибку, если пользователь их предоставит.
• str: метаданные следует передавать метаоценщику под указанным псевдонимом вместо исходного имени.

Значение по умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет существующий запрос. Это позволяет изменить запрос для некоторых параметров, не меняя его для остальных.

Добавлено в версии 1.3.

Параметры:

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

Маршрутизация метаданных для параметра sample_weight метода score.

Возвращает:

selfobject

Обновлённый объект.

transform(T)[исходный код]

Преобразовать новые данные с помощью линейной интерполяции.

Параметры:

Tarray-like of shape (n_samples,) or (n_samples, 1)

Данные для преобразования.

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

Возвращает:

y_predndarray of shape (n_samples,)

Преобразованные данные.

Примеры из галереи

Изотоническая регрессия