TweedieРегрессор

classsklearn.linear_model.TweedieRegressor(*, power=0.0, alpha=1.0, fit_intercept=True, link='auto', solver='lbfgs', max_iter=100, tol=0.0001, warm_start=False, verbose=0)[source]

Обобщенная линейная модель с распределением Твидди.

Этот оценщик может быть использован для моделирования различных обобщенных линейных моделей в зависимости от параметра power, который определяет базовое распределение.

Подробнее см. в Руководстве пользователя.

Добавлена в версии 0.23.

Параметры:

powerfloat, по умолчанию=0

Параметр power определяет базовое целевое распределение согласно следующей таблице:

Параметр	Распределение
0	Нормальное
1	Пуассона
(1,2)	Составное распределение Пуассона-Гамма
2	Гамма
3	Обратное гауссовское

Для 0 < power < 1, распределение не существует.

alphafloat, по умолчанию=1

Постоянная, которая умножает член L2-регуляризации и определяет силу регуляризации. alpha = 0 эквивалентно нерегуляризованным обобщенным линейным моделям. В этом случае матрица дизайна X должна иметь полный ранг столбцов (без коллинеарностей). 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).

link{‘auto’, ‘identity’, ‘log’}, по умолчанию=’auto’

Функция связи обобщенной линейной модели, т. е. отображение из линейного предикатора X @ coeff + intercept в предсказание y_pred. Опция ‘auto’ устанавливает функцию связи в зависимости от выбранного параметра power следующим образом:

• ‘identity’ для power <= 0, например, для нормального распределения
• ‘log’ для power > 0, например, для распределений Пуассона, Гамма и обратного Гаусса

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

Алгоритм для использования в задаче оптимизации:

‘lbfgs’

Вызывает оптимизатор L-BFGS-B из scipy.

‘newton-cholesky’

Использует итерационные шаги Ньютона-Рафсона (в арифметике с произвольной точностью, эквивалентные итерационным взвешенным по наименьшим квадратам) с внутренним решающим методом на основе Холецкого. Этот решающий метод является хорошим выбором для n_samples >> n_features, особенно с кодированием категориальных признаков one-hot с редкими категориями. Следует учитывать, что объем памяти, используемый этим решающим методом, имеет квадратичную зависимость от n_features из-за явного вычисления матрицы Гессе.

Добавлена в версии 1.2.

max_iterint, по умолчанию=100

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

tolfloat, по умолчанию=1e-4

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

warm_startbool, по умолчанию=False

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

verboseint, по умолчанию=0

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

Атрибуты:

coef_массив формы (n_features,)

Оцененные коэффициенты для линейного предикатора (X @ coef_ + intercept_) в обобщенной линейной модели.

intercept_float

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

n_iter_int

Фактическое количество итераций, используемых решающим методом.

n_features_in_int

Количество признаков, увиденных во время fit.

Добавлена в версии 0.24.

feature_names_in_массив формы (n_features_in_,)

Имена признаков, увиденные во время fit. Определяются только тогда, когда X имеют имена признаков, которые являются строками.

Добавлена в версии 1.0.

См. также

PoissonRegressor

Обобщенная линейная модель с распределением Пуассона.

GammaRegressor

Обобщенная линейная модель с распределением Гамма.

Примеры

>>> from sklearn import linear_model
>>> clf = linear_model.TweedieRegressor()
>>> X = [[1, 2], [2, 3], [3, 4], [4, 3]]
>>> y = [2, 3.5, 5, 5.5]
>>> clf.fit(X, y)
TweedieRegressor()
>>> clf.score(X, y)
np.float64(0.839...)
>>> clf.coef_
array([0.599..., 0.299...])
>>> clf.intercept_
np.float64(1.600...)
>>> clf.predict([[1, 1], [3, 4]])
array([2.500..., 4.599...])

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

Обучение обобщенной линейной модели.

Параметры:

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

Обучающие данные.

yarray-like of shape (n_samples,)

Целевые значения.

sample_weightarray-like of shape (n_samples,), по умолчанию=None

Веса выборок.

Возвращаемое значение:

selfobject

Обученная модель.

get_metadata_routing()[source]

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, см. Руководство пользователя по тому, как работает механизм маршрутизации.

Возвращаемое значение:

routingMetadataRequest

MetadataRequest, содержащий информацию о маршрутизации.

get_params(deep=True)[source]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, возвращает параметры этого оценщика и вложенных под-объектов, являющихся оценщиками.

Возвращаемое значение:

paramsdict

Имена параметров, сопоставленные с их значениями.

predict(X)[source]

Предсказание с использованием обобщенной линейной модели с матрицей признаков X.

Параметры:

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

Примеры.

Возвращаемое значение:

y_predмассив формы (n_samples,)

Возвращает предсказанные значения.

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

Вычислить D^2, процент объясняемой дисперсии.

D^2 — обобщение коэффициента детерминации R^2. R^2 использует среднеквадратическую ошибку, а D^2 — остаточную дисперсию данной 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 значение \(\bar{y}\) усредняется по sample_weight. Лучшее возможное значение — 1.0, 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) по отношению к y.

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

Запрос метаданных, переданных методу fit.

Обратите внимание, что этот метод актуален только если enable_metadata_routing=True, (см. sklearn.set_config). Пожалуйста, обратитесь к Руководству пользователя по работе механизма маршрутизации.

Варианты для каждого параметра:

• True: запрос метаданных, и передача их fit, если они предоставлены. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и мета-оценщик не передаст их fit.
• None: метаданные не запрашиваются, и мета-оценщик выведет ошибку, если пользователь их предоставит.
• str: метаданные должны быть переданы мета-оценщику с этим псевдонимом вместо исходного названия.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED): сохраняются существующие запросы. Это позволяет изменить запрос для некоторых параметров, а не для всех.

Добавлен в версии 1.3.

Примечание

Этот метод актуален только если данный оценителем используется в качестве под-оценщика мета-оценщика, например, внутри Pipeline. В противном случае он не имеет эффекта.

Параметры:

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

Маршрутизация метаданных для параметра sample_weight в fit.

Возвращает:

selfобъект

Обновленный объект.

set_params(**params)[source]

Установить параметры данного оценщика.

Метод работает с простыми оценщиками, а также с вложенными объектами (такими как Pipeline). Последние имеют параметры вида <component>__<parameter>, чтобы было возможно обновление каждого компонента вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

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

Запрос метаданных, переданных методу score.

Обратите внимание, что этот метод актуален только если enable_metadata_routing=True, (см. sklearn.set_config). Пожалуйста, обратитесь к Руководству пользователя по работе механизма маршрутизации.

Варианты для каждого параметра:

• True: запрос метаданных, и передача их score, если они предоставлены. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и мета-оценщик не передаст их score.
• None: метаданные не запрашиваются, и мета-оценщик выведет ошибку, если пользователь их предоставит.
• str: метаданные должны быть переданы мета-оценщику с этим псевдонимом вместо исходного названия.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED): сохраняются существующие запросы. Это позволяет изменить запрос для некоторых параметров, а не для всех.

Добавлен в версии 1.3.

Примечание

Этот метод актуален только если данный оценителем используется в качестве под-оценщика мета-оценщика, например, внутри Pipeline. В противном случае он не имеет эффекта.

Параметры:

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

Маршрутизация метаданных для параметра sample_weight в score.

Возвращает:

selfобъект

Обновленный объект.