GammaRegressor

classsklearn.linear_model.GammaRegressor(*, alpha=1.0, fit_intercept=True, solver='lbfgs', max_iter=100, tol=0.0001, warm_start=False, verbose=0)[source]

Обобщённая линейная модель с гамма-распределением.

Этот регрессор использует функцию связи ‘log’.

Подробнее см. в Руководстве пользователя.

Добавлен в версии 0.23.

Параметры:

alphafloat, по умолчанию=1

Постоянная, которая умножает член L2-регуляризации и определяет силу регуляризации. alpha = 0 эквивалентно нерегуляризованным GLM. В этом случае матрица проектирования X должна иметь полный ранг столбцов (без коллинеарности). Значения alpha должны быть в диапазоне [0.0, inf).

fit_interceptbool, по умолчанию=True

Указывает, должно ли к линейному предикатору X @ coef_ + intercept_ добавляться константа (т.е. смещение или свободный член).

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

Алгоритм, используемый в оптимизационной задаче:

‘lbfgs’

Вызывает оптимизатор L-BFGS-B из scipy.

‘newton-cholesky’

Использует итерации Ньютона-Рафсона (в арифметике с произвольной точностью эквивалентно итеративным взвешенным наименьшим квадратам) с внутренним решающим блоком на основе Холецкого. Этот решающий блок является хорошим выбором для n_samples >> n_features, особенно с закодированными категориальными признаками с редкими категориями. Следует учитывать, что объём памяти этого решающего блока имеет квадратичную зависимость от n_features, так как он явно вычисляет матрицу Гессе.

Добавлен в версии 1.2.

max_iterint, по умолчанию=100

Максимальное число итераций для решающего блока. Значения должны быть в диапазоне [1, inf).

tolfloat, по умолчанию=1e-4

Критерий останова. Для решающего блока lbfgs, итерация остановится, когда max{|g_j|, j = 1, ..., d} <= tol, где g_j — j-ый компонент градиента (производной) целевой функции. Значения должны быть в диапазоне (0.0, inf).

warm_startbool, по умолчанию=False

Если установлено в True, решение предыдущего вызова fit используется в качестве начального значения для coef_ и intercept_.

verboseint, по умолчанию=0

Для решающего блока lbfgs установите verbose в любое положительное число для отображения сообщений. Значения должны быть в диапазоне [0, inf).

Атрибуты:

coef_массив формы (n_features,)

Оценённые коэффициенты для линейного предикатора (X @ coef_ + intercept_) в GLM.

intercept_float

Смещение (иначе свободный член) добавляемый к линейному предикатору.

n_features_in_int

Количество признаков, используемых во время fit.

Добавлен в версии 0.24.

n_iter_int

Фактическое количество итераций, используемых решающим блоком.

feature_names_in_массив формы (n_features_in_,)

Имена признаков, используемые во время fit. Определяются только тогда, когда у X есть имена признаков, которые являются строками.

Добавлен в версии 1.0.

См. также

PoissonRegressor

Обобщённая линейная модель с пуассоновским распределением.

TweedieRegressor

Обобщённая линейная модель с распределением Твидди.

Примеры

>>> from sklearn import linear_model
>>> clf = linear_model.GammaRegressor()
>>> X = [[1, 2], [2, 3], [3, 4], [4, 3]]
>>> y = [19, 26, 33, 30]
>>> clf.fit(X, y)
GammaRegressor()
>>> clf.score(X, y)
np.float64(0.773...)
>>> clf.coef_
array([0.072..., 0.066...])
>>> clf.intercept_
np.float64(2.896...)
>>> clf.predict([[1, 0], [2, 8]])
array([19.483..., 35.795...])

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

Обучить обобщённую линейную модель.

Параметры:

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

Данные обучения.

yarray-like формы (n_samples,)

Целевые значения.

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

Веса выборки.

Возвращает:

selfобъект

Обученная модель.

get_metadata_routing()[source]

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, ознакомьтесь с Руководством пользователя о том, 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 содержащихся в нём под-объектов, являющихся оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные со значениями.

predict(X)[source]

Предсказание с помощью GLM с матрицей признаков X.

Параметры:

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

Примеры.

Возвращает:

y_predмассив формы (n_samples,)

Возвращает предсказанные значения.

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

Вычислить D^2, процент объяснённой дисперсии.

D^2 — обобщение коэффициента детерминации R^2. R^2 использует среднеквадратичную ошибку, а D^2 использует дисперсию этой модели GLM, см. Руководство пользователя.

D^2 определяется как \(D^2 = 1-\frac{D(y_{true},y_{pred})}{D_{null}}\), \(D_{null}\) — нулевая дисперсия, т.е. дисперсия модели только с константой, что соответствует \(y_{pred} = \bar{y}\). Среднее \(\bar{y}\) вычисляется по весам. Идеальное значение равно 1.0, и оно может быть отрицательным (поскольку модель может быть произвольно хуже).

Параметры:

X{массив, разреженная матрица} формы (n_samples, n_features)

Тестовые образцы.

yмассив формы (n_samples,)

Истинные значения целевой переменной.

sample_weightмассив формы (n_samples,), по умолчанию None

Веса образцов.

Возвращает:

scorefloat

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

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

Запрос метаданных, переданных в метод fit.

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

Варианты для каждого параметра:

• True: метаданные запрашиваются и передаются в fit, если предоставлены. 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 указанным 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 этот оценщик используется в качестве под-оценщика мета-оценщика, например, внутри Pipeline. В противном случае он не оказывает никакого влияния.

Параметры:

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

Маршрутизация метаданных для параметра sample_weight в fit.

Возвращает:

selfобъект

Обновлённый объект.

set_params(**params)[source]

Устанавливает параметры этого оценщика.

Метод работает с простыми оценщиками, а также со вложенными объектами (такими как Pipeline). Последние имеют параметры вида <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.

Параметры:

**paramsсловарь

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

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

Запрос метаданных, переданных в метод score.

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

Варианты для каждого параметра:

• True: метаданные запрашиваются и передаются в score, если 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 с указанным 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 этот оценщик используется в качестве под-оценщика мета-оценщика, например, внутри Pipeline. В противном случае он не оказывает никакого влияния.

Параметры:

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

Маршрутизация метаданных для параметра sample_weight в score.

Возвращает:

selfобъект

Обновлённый объект.