BayesianRidge

classsklearn.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)[source]

Регрессия Байеса-Риджа.

Обучение модели Байеса-Риджа. Подробности об этой реализации и оптимизации параметров регуляризации лямбда (точность весов) и альфа (точность шума) см. в разделе «Примечания».

Дополнительную информацию см. в Руководстве пользователя. Для наглядной визуализации того, как синусоида аппроксимируется полиномом с использованием различных пар начальных значений, см. Подгонка кривых с помощью регрессии Байеса-Риджа.

Параметры:

max_iterint, по умолчанию=300

Максимальное количество итераций по всему набору данных перед остановкой независимо от любого критерия ранней остановки.

Изменено в версии 1.3.

tolfloat, по умолчанию=1e-3

Остановить алгоритм, если w сошёлся.

alpha_1float, по умолчанию=1e-6

Гиперпараметр: параметр формы для гамма-распределения априори параметра альфа.

alpha_2float, по умолчанию=1e-6

Гиперпараметр: обратный параметр масштаба (параметр скорости) для гамма-распределения априори параметра альфа.

lambda_1float, по умолчанию=1e-6

Гиперпараметр: параметр формы для гамма-распределения априори параметра лямбда.

lambda_2float, по умолчанию=1e-6

Гиперпараметр: обратный параметр масштаба (параметр скорости) для гамма-распределения априори параметра лямбда.

alpha_initfloat, по умолчанию=None

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

Добавлена в версии 0.22.

lambda_initfloat, по умолчанию=None

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

Добавлена в версии 0.22.

compute_scorebool, по умолчанию=False

Если True, вычислить логарифм маргинальной вероятности на каждой итерации оптимизации.

fit_interceptbool, по умолчанию=True

Вычислять ли свободный член для этой модели. Свободный член не обрабатывается как вероятностный параметр и, следовательно, не имеет связанной дисперсии. Если установлено в False, свободный член не будет использоваться в расчётах (т.е. ожидается, что данные будут центрированы).

copy_Xbool, по умолчанию=True

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

verbosebool, по умолчанию=False

Режим подробного отображения при обучении модели.

Атрибуты:

coef_array-like of shape (n_features,)

Коэффициенты регрессионной модели (среднее распределение)

intercept_float

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

alpha_float

Оценённая точность шума.

lambda_float

Оценённая точность весов.

sigma_array-like of shape (n_features, n_features)

Оценённая матрица ковариации дисперсии весов

scores_array-like of shape (n_iter_+1,)

Если computed_score равно True, значение логарифма маргинальной вероятности (которое необходимо максимизировать) на каждой итерации оптимизации. Массив начинается со значения логарифма маргинальной вероятности, полученного для начальных значений альфа и лямбда, и заканчивается значением, полученным для оценённых альфа и лямбда.

n_iter_int

Фактическое число итераций для достижения критерия остановки.

X_offset_ndarray of shape (n_features,)

Если fit_intercept=True, смещение, вычитаемое для центрирования данных до нулевого среднего значения. В противном случае установлено в np.zeros(n_features).

X_scale_ndarray of shape (n_features,)

Установлено в np.ones(n_features).

n_features_in_int

Количество признаков, увиденных во время обучения.

Добавлена в версии 0.24.

feature_names_in_ndarray of shape (n_features_in_,)

Имена признаков, увиденные во время обучения. Определены только тогда, когда X имеет имена признаков, которые являются строками.

Добавлена в версии 1.0.

См. также

ARDRegression

Регрессия Байеса ARD.

Примечания

Существует несколько стратегий для выполнения регрессии Байеса-Риджа. Эта реализация основана на алгоритме, описанном в Приложении А (Типпинг, 2001), где обновления параметров регуляризации выполняются как предложено в (Маккей, 1992). Обратите внимание, что, согласно новой точке зрения на автоматическое определение релевантности (Випф и Нагараджан, 2008), эти правила обновления не гарантируют, что маргинальная вероятность увеличивается между двумя последовательными итерациями оптимизации.

Ссылки

Д. Дж. К. Маккей, Байесовская интерполяция, вычисления и нейронные системы, том 4, № 3, 1992.

М. Э. Типпинг, Релевантная векторная машина и обучение Байеса с разреженностью, Журнал машинного обучения, том 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)[source]

Обучить модель.

Параметры:

Xndarray of shape (n_samples, n_features)

Обучающие данные.

yndarray of shape (n_samples,)

Целевые значения. Будут преобразованы к типу X, если необходимо.

sample_weightndarray of shape (n_samples,), по умолчанию=None

Индивидуальные веса для каждого образца.

Добавлена в версии 0.20: поддержка параметра sample_weight для BayesianRidge.

Возвращает:

selfobject

Возвращает сам экземпляр.

get_metadata_routing()[source]

Получить маршрутизацию метаданных этого объекта.

См. Руководство пользователя по тому, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

MetadataRequest encapsulating routing information.

get_params(deep=True)[source]

Получить параметры данного оценщика.

Параметры:

deepbool, по умолчанию=True

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

Возвращает:

paramsdict

Имена параметров, сопоставленные со значениями.

predict(X, return_std=False)[source]

Предсказание с использованием линейной модели.

Помимо среднего значения предсказательного распределения, можно также вернуть 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.

Возвращаемые значения:

y_meanarray-like формы (n_samples,)

Среднее значение предсказательного распределения запрошенных точек.

y_stdarray-like формы (n_samples,)

Стандартное отклонение предсказательного распределения запрошенных точек.

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

Возвращает коэффициент детерминации предсказания.

Коэффициент детерминации \(R^2\) определяется как \((1 - \frac{u}{v})\), где \(u\) — остаточная сумма квадратов ((y_true - y_pred)** 2).sum() и \(v\) — общая сумма квадратов ((y_true - y_true.mean()) ** 2).sum(). Лучший возможный балл — 1.0, и он может быть отрицательным (потому что модель может быть произвольно хуже). Константа модель, которая всегда предсказывает ожидаемое значение y, игнорируя входные признаки, получила бы \(R^2\) балл 0,0.

Параметры:

Xarray-like формы (n_samples, n_features)

Тестируемые образцы. Для некоторых оценок это может быть предварительно вычисленная матрица ядра или список общих объектов вместо этого с формой (n_samples, n_samples_fitted), где n_samples_fitted — количество образцов, используемых при подгонке для 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 образцов.

Возвращаемые значения:

scorefloat

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

Примечания

Значение \(R^2\) используемое при вызове score для регрессора использует multioutput='uniform_average' с версии 0.23, чтобы оставаться согласованным 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='$UNCHANGED$') → BayesianRidge[source]

Запрос метаданных, переданных методу fit.

Обратите внимание, что этот метод актуален только если enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, ознакомьтесь с Руководством пользователя по тому, как работает механизм маршрутизации.

Варианты для каждого параметра:

• True: запрашиваются метаданные и передаются fit при их наличии. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и мета-оценщик не будет передавать их fit.
• None: метаданные не запрашиваются, и мета-оценщик выдаст ошибку, если пользователь их предоставит.
• str: метаданные должны передаваться мета-оценщику с данным псевдонимом вместо исходного имени.

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

Добавлена в версии 1.3.

Примечание

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

Параметры:

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

Маршрутизация метаданных для параметра sample_weight в fit.

Возвращаемые значения:

selfobject

Обновленный объект.

set_params(**params)[source]

Установка параметров этого оценщика.

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

Параметры:

**paramsdict

Параметры оценщика.

Возвращаемые значения:

selfэкземпляр оценщика

Экземпляр оценщика.

set_predict_request(*, return_std:bool|None|str='$UNCHANGED$') → BayesianRidge[source]

Запрос метаданных, передаваемых методу predict.

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

Доступные варианты для каждого параметра:

• True: метаданные запрашиваются и передаются в predict при их наличии. 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 их предоставит.
• str: метаданные должны быть переданы мета-оценщику с заданным псевдонимом вместо исходного 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 данный оценщик используется в качестве под-оценщика мета-оценщика, например, внутри Pipeline. В противном случае он не оказывает никакого влияния.

Parameters:

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

Маршрутизация метаданных для параметра return_std в predict.

Returns:

selfobject

Обновлённый объект.

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

Запрос метаданных, передаваемых методу score.

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

Доступные варианты для каждого параметра:

• True: метаданные запрашиваются и передаются в score при их наличии. 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 их предоставит.
• str: метаданные должны быть переданы мета-оценщику с заданным псевдонимом вместо исходного 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 данный оценщик используется в качестве под-оценщика мета-оценщика, например, внутри Pipeline. В противном случае он не оказывает никакого влияния.

Parameters:

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

Маршрутизация метаданных для параметра sample_weight в score.

Returns:

selfobject

Обновлённый объект.

Примеры из галереи

Агломерация признаков против выбора признаков по отдельности

Сравнение линейных байесовских регрессоров

Кривая аппроксимация с помощью регрессии Байесовского гребня

Модели на основе L1 для разреженных сигналов

Заполнение пропущенных значений с помощью вариантов IterativeImputer