PoissonRegressor

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

Обобщённая линейная модель с распределением Пуассона.

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, следует ли добавлять константу (также известную как смещение или свободный член) к линейному предикатору (X @ coef + intercept).

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

Алгоритм для использования в задаче оптимизации:

‘lbfgs’

Вызывает оптимизатор L-BFGS-B из scipy.

‘newton-cholesky’

Использует итерации Ньютона-Рафсона (в арифметике произвольной точности эквивалентно итеративным взвешенным наименьшим квадратам) с внутренним решающим элементом на основе Холецкого. Этот решающий элемент является хорошим выбором для n_samples >> n_features, особенно с кодированием "one-hot" категориальных признаков с редкими категориями. Следует учитывать, что использование памяти этим решающим элементом имеет квадратичную зависимость от n_features , так как он явно вычисляет матрицу Гессе.

Добавлен в версии 1.2.

max_iterint, по умолчанию=100

Максимальное количество итераций для решающего элемента. Значения должны быть в диапазоне [1, inf).

tolfloat, по умолчанию=1e-4

Критерий остановки. Для решающего элемента lbfgs итерация остановится, когда max{|g_j|, j = 1, ..., d} <= tol где g_j является j-й компонентой градиента (производной) целевой функции. Значения должны быть в диапазоне (0.0, inf).

warm_startbool, по умолчанию=False

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

verboseint, по умолчанию=0

Для решающего элемента lbfgs установите verbose в любое положительное число для подробного вывода. 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

Свободный член (также известный как смещение) добавленный к линейному предикатору.

n_features_in_int

Количество признаков, увиденных во время подгонки.

Добавлен в версии 0.24.

feature_names_in_массив формы (n_features_in_,)

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

Добавлен в версии 1.0.

n_iter_int

Фактическое количество итераций, используемых в решающем элементе.

См. также

TweedieRegressor

Обобщённая линейная модель с распределением Твидди.

Примеры

>>> from sklearn import linear_model
>>> clf = linear_model.PoissonRegressor()
>>> X = [[1, 2], [2, 3], [3, 4], [4, 3]]
>>> y = [12, 17, 22, 21]
>>> clf.fit(X, y)
PoissonRegressor()
>>> clf.score(X, y)
np.float64(0.990...)
>>> clf.coef_
array([0.121..., 0.158...])
>>> clf.intercept_
np.float64(2.088...)
>>> clf.predict([[1, 1], [3, 4]])
array([10.676..., 21.875...])

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

Обучение обобщённой линейной модели.

Параметры:

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

Обучающие данные.

yarray-like формы (n_samples,)

Целевые значения.

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

Веса выборок.

Возвращает:

selfобъект

Обученная модель.

get_metadata_routing()[source]

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, обратитесь к Руководству пользователя, чтобы узнать, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

Объект MetadataRequest, содержащий информацию о маршрутизации.

get_params(deep=True)[source]

Получить параметры этого оценивателя.

Параметры:

deepbool, по умолчанию=True

Если True, возвращает параметры этого оценивателя и вложенных под-объектов, которые являются оценивателями.

Возвращает:

paramsdict

Имена параметров, сопоставленные с их значениями.

predict(X)[source]

Предсказание с помощью GLM с матрицей признаков X.

Параметры:

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

Образцы.

Возвращает:

y_predмассив формы (n_samples,)

Возвращает предсказанные значения.

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

Вычислить D^2, долю объяснённой дисперсии.

D^2 — обобщение коэффициента детерминации R^2. R^2 использует среднеквадратичную ошибку, а D^2 использует остаточную 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, то есть дисперсия модели только с константой, которая соответствует \(y_{pred} = \bar{y}\). Среднее значение \(\bar{y}\) усредняется по весам выборок sample_weight. Идеальное значение равно 1.0, оно может быть отрицательным (поскольку модель может быть произвольно хуже).

Параметры:

X{array-like, 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 выборок.

Возвращаемые значения:

scorefloat

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

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

Запрос метаданных, переданных методу fit.

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

Варианты для каждого параметра:

• True: метаданные запрашиваются и передаются fit при 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 выведет ошибку, если пользователь предоставит их.
• 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.

Добавлен в версии 1.3.

Примечание

Этот метод актуален только в случае использования этого оценщика 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 fit.

Возвращаемые значения:

selfобъект

Обновленный объект.

set_params(**params)[source]

Установить параметры этого оценщика.

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

Параметры:

**paramsdict

Параметры оценщика.

Возвращаемые значения:

selfэкземпляр оценщика

Экземпляр оценщика.

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

Запрос метаданных, переданных методу score.

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

Варианты для каждого параметра:

• True: метаданные запрашиваются и передаются score при наличии. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и мета-оценщик не будет передавать их score.
• None: метаданные не запрашиваются, и мета-оценщик выведет ошибку, если пользователь предоставит их.
• 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.

Добавлен в версии 1.3.

Примечание

Этот метод актуален только в случае использования этого оценщика 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.

Возвращаемые значения:

selfобъект

Обновленный объект.