等度回归#

这是一个在生成数据（具有同方差均匀噪声的非线性单调趋势）上进行等度回归的示例。

等度回归算法在最小化训练数据的均方误差的同时，寻找函数的非递减近似。这种非参数模型的优势在于，除了单调性之外，它不对目标函数的形状做任何假设。为了比较，还给出了线性回归。

右侧的图显示了模型预测函数，该函数是阈值点的线性插值结果。阈值点是训练输入观测值的子集，其匹配的目标值由等度非参数拟合计算。

# Authors: The scikit-learn developers
# SPDX-License-Identifier: BSD-3-Clause

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.collections import LineCollection

from sklearn.isotonic import IsotonicRegression
from sklearn.linear_model import LinearRegression
from sklearn.utils import check_random_state

n = 100
x = np.arange(n)
rs = check_random_state(0)
y = rs.randint(-50, 50, size=(n,)) + 50.0 * np.log1p(np.arange(n))

拟合等度回归和线性回归模型

ir = IsotonicRegression(out_of_bounds="clip")
y_ = ir.fit_transform(x, y)

lr = LinearRegression()
lr.fit(x[:, np.newaxis], y)  # x needs to be 2d for LinearRegression

LinearRegression()

在Jupyter环境中，请重新运行此单元格以显示HTML表示或信任notebook。
在GitHub上，HTML表示无法渲染，请尝试使用nbviewer.org加载此页面。

结果图

segments = [[[i, y[i]], [i, y_[i]]] for i in range(n)]
lc = LineCollection(segments, zorder=0)
lc.set_array(np.ones(len(y)))
lc.set_linewidths(np.full(n, 0.5))

fig, (ax0, ax1) = plt.subplots(ncols=2, figsize=(12, 6))

ax0.plot(x, y, "C0.", markersize=12)
ax0.plot(x, y_, "C1.-", markersize=12)
ax0.plot(x, lr.predict(x[:, np.newaxis]), "C2-")
ax0.add_collection(lc)
ax0.legend(("Training data", "Isotonic fit", "Linear fit"), loc="lower right")
ax0.set_title("Isotonic regression fit on noisy data (n=%d)" % n)

x_test = np.linspace(-10, 110, 1000)
ax1.plot(x_test, ir.predict(x_test), "C1-")
ax1.plot(ir.X_thresholds_, ir.y_thresholds_, "C1.", markersize=12)
ax1.set_title("Prediction function (%d thresholds)" % len(ir.X_thresholds_))

plt.show()

Isotonic regression fit on noisy data (n=100), Prediction function (36 thresholds)

请注意，我们显式地将out_of_bounds="clip"传递给IsotonicRegression的构造函数，以控制模型在训练集中观察到的数据范围之外进行外推的方式。这种“裁剪”外推可以在右侧决策函数图上看到。

脚本总运行时间：（0分钟0.150秒）