GammaRegressor

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

Обобщённая линейная модель с распределением Гамма.

В этом регрессоре используется функция связи «log».

Подробнее см. в руководстве пользователя.

Добавлено в версии 0.23.

Параметры:

alphafloat, по умолчанию=1

Константа, умножающая член штрафа L2 и определяющая силу регуляризации. alpha = 0 эквивалентно GLM без штрафа. В этом случае матрица плана X должна иметь полный столбцовый ранг (без коллинеарности). Значения alpha должны находиться в диапазоне [0.0, inf).

fit_interceptbool, по умолчанию=True

Указывает, следует ли добавить константу (также называемую смещением или свободным членом) к линейному предиктору X @ coef_ + intercept_.

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

Алгоритм для решения задачи оптимизации:

‘lbfgs’

Вызывает оптимизатор L-BFGS-B из scipy.

‘newton-cholesky’

Использует шаги Ньютона — Рафсона (в арифметике произвольной точности эквивалентные итеративно перевзвешенному методу наименьших квадратов) с внутренним решателем на основе разложения Холецкого. Этот решатель хорошо подходит для n_samples >> n_features, особенно при использовании категориальных признаков с редкими категориями, закодированных методом one-hot. Учтите, что потребление памяти этим решателем квадратично зависит от n_features, поскольку он явно вычисляет матрицу Гессе.

Добавлено в версии 1.2.

max_iterint, по умолчанию=100

Максимальное число итераций решателя. Значения должны находиться в диапазоне [1, inf).

tolfloat, по умолчанию=1e-4

Критерий остановки. Для решателя lbfgs итерации прекращаются, когда выполняется условие max{|g_j|, j = 1, ..., d} <= tol, где g_j — j-й компонент градиента (производной) целевой функции. Значения должны находиться в диапазоне (0.0, inf).

warm_startbool, по умолчанию=False

Если задано значение True, результат предыдущего вызова fit используется в качестве начального приближения для coef_ и intercept_.

verboseint, по умолчанию=0

Для решателя lbfgs задайте положительное значение verbose, чтобы включить подробный вывод. Значения должны находиться в диапазоне [0, inf).

Атрибуты:

coef_массив формы (n_features,)

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

intercept_float

Свободный член (также называемый смещением), добавляемый к линейному предиктору.

n_features_in_int

Число признаков, обнаруженных при обучении.

Добавлено в версии 0.24.

n_iter_int

Фактическое число итераций, выполненных решателем.

feature_names_in_ndarray формы (n_features_in_,)

Имена признаков, обнаруженных при обучении. Определён только в том случае, если X содержит имена признаков, представленные строками.

Добавлено в версии 1.0.

См. также

PoissonRegressor

Обобщённая линейная модель с распределением Пуассона.

TweedieRegressor

Обобщённая линейная модель с распределением Твиди.

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([0.073, 0.067])
>>> clf.intercept_
np.float64(2.896)
>>> clf.predict([[1, 0], [2, 8]])
array([19.483, 35.795])

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

Обучает обобщённую линейную модель.

Параметры:

X{массивоподобная структура, разреженная матрица} формы (n_samples, n_features)

Обучающие данные.

yмассивоподобная структура формы (n_samples,)

Целевые значения.

sample_weightмассивоподобная структура формы (n_samples,), по умолчанию=None

Веса объектов выборки.

Возвращает:

selfobject

Обученная модель.

get_metadata_routing()[исходный код]

Получает настройки маршрутизации метаданных этого объекта.

В руководстве пользователя описан принцип работы механизма маршрутизации.

Возвращает:

routingMetadataRequest

Объект MetadataRequest, содержащий сведения о маршрутизации.

get_params(deep=True)[исходный код]

Получает параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

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

Возвращает:

paramsdict

Имена параметров, сопоставленные с их значениями.

predict(X)[исходный код]

Выполняет предсказание с помощью GLM по матрице признаков X.

Параметры:

X{массивоподобная структура, разреженная матрица} формы (n_samples, n_features)

Образцы.

Возвращает:

y_predмассив формы (n_samples,)

Возвращает предсказанные значения.

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

Вычисляет D^2 — долю объяснённого девианса.

D^2 — это обобщение коэффициента детерминации R^2. Для R^2 используется квадратичная ошибка, а для D^2 — девианс этой GLM; см. руководство пользователя.

D^2 определяется как \(D^2 = 1-\frac{D(y_{true},y_{pred})}{D_{null}}\), где \(D_{null}\) — нулевой девианс, то есть девианс модели только со свободным членом, соответствующий \(y_{pred} = \bar{y}\). Среднее значение \(\bar{y}\) вычисляется с учётом sample_weight. Наилучшая возможная оценка равна 1.0; она может быть отрицательной (так как модель может быть сколь угодно хуже).

Параметры:

X{массивоподобная структура, разреженная матрица} формы (n_samples, n_features)

Тестовые образцы.

yмассивоподобная структура формы (n_samples,)

Истинные целевые значения.

sample_weightмассивоподобная структура формы (n_samples,), по умолчанию=None

Веса объектов выборки.

Возвращает:

scorefloat

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

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

Настраивает, следует ли запрашивать передачу метаданных методу fit.

Обратите внимание: этот метод актуален только тогда, когда данный оценщик используется как подчинённый оценщик внутри метаоценщика и включена маршрутизация метаданных с помощью enable_metadata_routing=True (см. sklearn.set_config). В руководстве пользователя описан принцип работы механизма маршрутизации.

Для каждого параметра доступны следующие варианты:

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

Значение по умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет текущий запрос. Это позволяет изменять запрос для одних параметров, не затрагивая остальные.

Добавлено в версии 1.3.

Параметры:

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

Маршрутизация метаданных для параметра sample_weight в fit.

Возвращает:

selfobject

Обновлённый объект.

set_params(**params)[исходный код]

Задаёт параметры этого оценщика.

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

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

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

Настраивает, следует ли запрашивать передачу метаданных методу score.

Обратите внимание: этот метод актуален только тогда, когда данный оценщик используется как подчинённый оценщик внутри метаоценщика и включена маршрутизация метаданных с помощью enable_metadata_routing=True (см. sklearn.set_config). В руководстве пользователя описан принцип работы механизма маршрутизации.

Для каждого параметра доступны следующие варианты:

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

Значение по умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет текущий запрос. Это позволяет изменять запрос для одних параметров, не затрагивая остальные.

Добавлено в версии 1.3.

Параметры:

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

Маршрутизация метаданных для параметра sample_weight в score.

Возвращает:

selfobject

Обновлённый объект.

Примеры из галереи

Регрессия Твиди для страховых претензий

Основные нововведения scikit-learn 0.23