Квантиль, который модель пытается предсказать. Должен строго находиться между 0 и 1. Если 0.5 (по умолчанию), модель предсказывает 50% квантиль, т.е. медиану.
alphafloat, по умолчанию=1.0
Постоянная регуляризации, которая умножает член штрафа L1.
fit_interceptbool, по умолчанию=True
Включает/выключает подгонку под свободный член.
solver{‘highs-ds’, ‘highs-ipm’, ‘highs’, ‘interior-point’, ‘revised simplex’}, по умолчанию=’highs’
Рекомендуется использовать методы highs, так как они являются самыми быстрыми. Решатели “highs-ds”, “highs-ipm” и “highs” поддерживают разреженные входные данные и, на самом деле, всегда преобразуют их в разреженный формат csc.
С scipy>=1.11.0, “interior-point” больше недоступен.
Изменено в версии 1.4: По умолчанию solver изменилось на "highs" в версии 1.4.
solver_optionsdict, по умолчанию=None
Дополнительные параметры, передаваемые scipy.optimize.linprog в качестве опций. Если None и если solver='interior-point', тогда {"lstsq": True} передается scipy.optimize.linprog для обеспечения стабильности.
>>> 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)
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(). Лучшее возможное значение равно 1,0, и оно может быть отрицательным (поскольку модель может быть произвольно хуже). Модель, которая всегда предсказывает ожидаемое значение y, не учитывая входные признаки, получит значение \(R^2\) равное 0,0.
Параметры:
Xмассив-подобный, форма (n_samples, n_features)
Тестовые выборки. Для некоторых оценщиков это может быть предварительно вычисленная матрица ядра или список общих объектов вместо неё с формой (n_samples, n_samples_fitted), где n_samples_fitted — количество выборок, используемых при подгонке оценщика.
yмассив-подобный, форма (n_samples,) или (n_samples, n_outputs)
Истинные значения для X.
sample_weightмассив-подобный, форма (n_samples,), по умолчанию None
Веса выборок.
Возвращаемое значение:
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 для обеспечения согласованности с значением по умолчанию r2_score. Это оказывает влияние на метод score всех регрессоров с несколькими выходными значениями (кроме MultiOutputRegressor).
Обратите внимание, что этот метод актуален 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 в fit при наличии. 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 вызовет ошибку, если пользователь предоставит их.
str: метаданные должны передаваться мета-оценщику с данным псевдонимом вместо оригинального названия.
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 в том случае, если этот оценщик используется как под-оценщик мета-оценщика, например, внутри Pipeline. В противном случае он не имеет эффекта.
Параметры:
sample_weightстрока, True, False или None, по умолчанию sklearn.utils.metadata_routing.UNCHANGED
Маршрутизация метаданных для параметра sample_weight в fit.
Метод работает как с простыми оценщиками, так и с вложенными объектами (такими как Pipeline). Последние имеют параметры в виде <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.
Обратите внимание, что этот метод актуален только если enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, обратитесь к Руководству пользователя, чтобы узнать, как работает механизм 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 их предоставит.
str: метаданные должны быть переданы мета-оценщику с этим 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 том случае, если этот оценщик используется как подоценщик мета-оценщика, например, внутри Pipeline. В противном случае он не оказывает влияния.
Parameters:
sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED
Маршрутизация метаданных для параметра sample_weight в score.
