QuantileRegressor

classsklearn.linear_model.QuantileRegressor(*, quantile=0.5, alpha=1.0, fit_intercept=True, solver='highs', solver_options=None)[source]

Модель линейной регрессии, прогнозирующая условные квантили.

Линейная QuantileRegressor минимизирует функцию потерь pinball для заданного quantile и устойчива к выбросам.

В этой модели используется регуляризация L1, как в Lasso.

Подробнее см. в руководстве пользователя.

Добавлено в версии 1.0.

Параметры:

quantilefloat, по умолчанию=0.5

Квантиль, который модель пытается спрогнозировать. Он должен строго находиться между 0 и 1. Если значение равно 0.5 (по умолчанию), модель прогнозирует 50-й квантиль, то есть медиану.

alphafloat, по умолчанию=1.0

Коэффициент регуляризации, умножающий слагаемое штрафа L1.

fit_interceptbool, по умолчанию=True

Определяет, следует ли вычислять свободный член.

solver{‘highs-ds’, ‘highs-ipm’, ‘highs’, ‘interior-point’, ‘revised simplex’}, по умолчанию=’highs’

Метод, используемый scipy.optimize.linprog для решения задачи линейного программирования.

Рекомендуется использовать методы highs, поскольку они работают быстрее всего. Решатели “highs-ds”, “highs-ipm” и “highs” поддерживают разреженные входные данные и, фактически, всегда преобразуют их в разреженный формат csc.

Начиная с scipy>=1.11.0, “interior-point” больше недоступен.

Изменено в версии 1.4: Значение по умолчанию для solver изменено на "highs" в версии 1.4.

solver_optionsdict, по умолчанию=None

Дополнительные параметры, передаваемые в scipy.optimize.linprog в виде параметров options. Если None и если solver='interior-point', то {"lstsq": True} передается в scipy.optimize.linprog для обеспечения устойчивости.

Атрибуты:

coef_массив формы (n_features,)

Оцененные коэффициенты признаков.

intercept_float

Свободный член модели, также называемый смещением.

n_features_in_int

Количество признаков, полученных при вызове fit.

Добавлено в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Названия признаков, полученных при вызове fit. Определяется только в том случае, если X содержит названия признаков, представленные строками.

Добавлено в версии 1.0.

n_iter_int

Фактическое количество итераций, выполненных решателем.

См. также

Lasso

Lasso — это линейная модель, оценивающая разреженные коэффициенты с регуляризацией l1.

HuberRegressor

Модель линейной регрессии, устойчивая к выбросам.

Примеры

>>> from sklearn.linear_model import QuantileRegressor
>>> import numpy as np
>>> n_samples, n_features = 10, 2
>>> rng = np.random.RandomState(0)
>>> y = rng.randn(n_samples)
>>> X = rng.randn(n_samples, n_features)
>>> # the two following lines are optional in practice
>>> from sklearn.utils.fixes import sp_version, parse_version
>>> reg = QuantileRegressor(quantile=0.8).fit(X, y)
>>> np.mean(y <= reg.predict(X))
np.float64(0.8)

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

Обучить модель на заданных обучающих данных.

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.

Возвращает:

selfобъект

Возвращает self.

get_metadata_routing()[source]

Получить настройки маршрутизации метаданных этого объекта.

О том, как работает механизм маршрутизации, см. в руководстве пользователя.

Возвращает:

routingMetadataRequest

MetadataRequest, содержащий сведения о маршрутизации.

get_params(deep=True)[source]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, будут возвращены параметры этого оценщика и вложенных объектов, являющихся оценщиками.

Возвращает:

paramsdict

Названия параметров и соответствующие им значения.

predict(X)[source]

Выполнить прогноз с помощью линейной модели.

Параметры:

Xмассивоподобная структура или разреженная матрица формы (n_samples, n_features)

Образцы.

Возвращает:

Cndarray формы (n_samples,)

Спрогнозированные значения.

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

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, но она может быть отрицательной (поскольку модель может работать сколь угодно плохо). Константная модель, которая всегда прогнозирует ожидаемое значение y, игнорируя входные признаки, получит оценку \(R^2\), равную 0.0.

Параметры:

Xмассивоподобная структура формы (n_samples, n_features)

Тестовые образцы. Для некоторых оценщиков это может быть предварительно вычисленная матрица ядра или список произвольных объектов формы (n_samples, n_samples_fitted), где n_samples_fitted — количество образцов, использованных при обучении оценщика.

yмассивоподобная структура формы (n_samples,) или (n_samples, n_outputs)

Истинные значения для X.

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

Веса объектов.

Возвращает:

scorefloat

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

Примечания

При вызове score для регрессора используется оценка \(R^2\) с multioutput='uniform_average' начиная с версии 0.23, чтобы обеспечить согласованность со значением по умолчанию функции r2_score. Это влияет на метод score всех регрессоров с несколькими выходами (за исключением MultiOutputRegressor).

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

Настроить, следует ли запрашивать передачу метаданных в метод fit.

Обратите внимание: этот метод имеет значение только в том случае, если данный оценщик используется как вложенный оценщик внутри метаоценщика и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). О том, как работает механизм маршрутизации, см. в руководстве пользователя.

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 передает их в fit.
• None: метаданные не запрашиваются, и метаоценщик вызовет ошибку, если пользователь их предоставит.
• str: метаданные следует передать метаоценщику под указанным псевдонимом вместо исходного имени.

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

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 метода fit.

Возвращает:

selfобъект

Обновленный объект.

set_params(**params)[source]

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:

selfэкземпляр оценщика

Экземпляр оценщика.

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

Настроить, следует ли запрашивать передачу метаданных в метод score.

Обратите внимание: этот метод имеет значение только в том случае, если данный оценщик используется как вложенный оценщик внутри метаоценщика и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). О том, как работает механизм маршрутизации, см. в руководстве пользователя.

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 передает их в score.
• None: метаданные не запрашиваются, и метаоценщик вызовет ошибку, если пользователь их предоставит.
• str: метаданные следует передать метаоценщику под указанным псевдонимом вместо исходного имени.

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

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 метода score.

Возвращает:

selfобъект

Обновленный объект.

Примеры из галереи

Квантильная регрессия