ARDRegression#

class sklearn.linear_model.ARDRegression(*, max_iter=300, tol=0.001, alpha_1=1e-06, alpha_2=1e-06, lambda_1=1e-06, lambda_2=1e-06, compute_score=False, threshold_lambda=10000.0, fit_intercept=True, copy_X=True, verbose=False)[source]#

贝叶斯ARD回归。

使用ARD先验拟合回归模型的权重。回归模型的权重假定服从高斯分布。同时估计参数lambda（权重分布的精度）和alpha（噪声分布的精度）。估计通过迭代过程（证据最大化）完成。

在用户指南中阅读更多信息。

参数:
max_iterint, 默认值=300

最大迭代次数。

版本1.3中更改。

tolfloat, 默认值=1e-3

如果w已收敛，则停止算法。

alpha_1float, 默认值=1e-6

超参数：Gamma分布先验中alpha参数的形状参数。

alpha_2float, 默认值=1e-6

超参数：Gamma分布先验中alpha参数的逆尺度参数（速率参数）。

lambda_1float, 默认值=1e-6

超参数：Gamma分布先验中lambda参数的形状参数。

lambda_2float, 默认值=1e-6

超参数：Gamma分布先验中lambda参数的逆尺度参数（速率参数）。

compute_scorebool, 默认值=False

如果为True，则在模型的每一步计算目标函数。

threshold_lambdafloat, 默认值=10 000

用于从计算中移除（修剪）高精度权重的阈值。

fit_interceptbool, 默认值=True

是否为该模型计算截距。如果设置为false，则计算中不使用截距（即数据预期已中心化）。

copy_Xbool, 默认值=True

如果为True，则X将被复制；否则，可能会被覆盖。

verbosebool, 默认值=False

拟合模型时的详细模式。

属性:
coef_形状为 (n_features,) 的类数组对象

回归模型的系数（分布的均值）

alpha_float

噪声的估计精度。

lambda_形状为 (n_features,) 的类数组对象

权重的估计精度。

sigma_形状为 (n_features, n_features) 的类数组对象

权重的估计方差-协方差矩阵

scores_float

如果已计算，目标函数的值（待最大化）

n_iter_int

达到停止标准的实际迭代次数。

版本1.3中新增。

intercept_float

决策函数中的独立项。如果fit_intercept = False，则设置为0.0。

X_offset_float

如果fit_intercept=True，则为使数据中心化为零均值而减去的偏移量。否则设置为np.zeros(n_features)。

X_scale_float

设置为np.ones(n_features)。

n_features_in_int

在拟合期间看到的特征数量。

版本0.24中新增。

feature_names_in_形状为 (n_features_in_,) 的ndarray

在拟合期间看到的特征名称。仅当X的特征名称全为字符串时定义。

版本1.0中新增。

另请参阅

BayesianRidge

贝叶斯岭回归。

注意

有关示例，请参见examples/linear_model/plot_ard.py。

参考文献

D. J. C. MacKay, 《用于预测竞赛的贝叶斯非线性建模》，ASHRAE Transactions，1994年。

R. Salakhutdinov, 统计机器学习讲义, http://www.utstat.toronto.edu/~rsalakhu/sta4273/notes/Lecture2.pdf#page=15 他们的beta是我们的self.alpha_，他们的alpha是我们的self.lambda_。ARD与幻灯片略有不同：只保留self.lambda_ < self.threshold_lambda的维度/特征，其余被丢弃。

示例

>>> from sklearn import linear_model
>>> clf = linear_model.ARDRegression()
>>> clf.fit([[0,0], [1, 1], [2, 2]], [0, 1, 2])
ARDRegression()
>>> clf.predict([[1, 1]])
array([1.])
fit(X, y)[source]#

根据给定的训练数据和参数拟合模型。

最大化证据的迭代过程

参数:
X形状为 (n_samples, n_features) 的类数组对象

训练向量，其中n_samples是样本数量，n_features是特征数量。

y形状为 (n_samples,) 的类数组对象

目标值（整数）。如有必要，将转换为X的数据类型。

返回:
selfobject

已拟合的估计器。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查阅用户指南，了解路由机制的工作原理。

返回:
routingMetadataRequest

一个封装路由信息的MetadataRequest。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:
deepbool, 默认值=True

如果为True，将返回此估计器及其包含的作为估计器的子对象的参数。

返回:
paramsdict

参数名称及其对应的值。

predict(X, return_std=False)[source]#

使用线性模型进行预测。

除了预测分布的均值，还可以返回其标准差。

参数:
X形状为 (n_samples, n_features) 的 {类数组对象, 稀疏矩阵}

样本。

return_stdbool, 默认值=False

是否返回后验预测的标准差。

返回:
y_mean形状为 (n_samples,) 的类数组对象

查询点的预测分布均值。

y_std形状为 (n_samples,) 的类数组对象

查询点的预测分布标准差。

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

返回测试数据上的决定系数。

决定系数\(R^2\)定义为\((1 - \frac{u}{v})\)，其中\(u\)是残差平方和((y_true - y_pred)** 2).sum()，\(v\)是总平方和((y_true - y_true.mean()) ** 2).sum()。最佳得分是1.0，它也可以是负值（因为模型可能任意糟糕）。一个总是预测y的期望值，而不考虑输入特征的常数模型，将获得0.0的\(R^2\)得分。

参数:
X形状为 (n_samples, n_features) 的类数组对象

测试样本。对于某些估计器，这可能是一个预计算的核矩阵，或者是一个通用对象列表，其形状为(n_samples, n_samples_fitted)，其中n_samples_fitted是用于估计器拟合的样本数量。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组对象

X的真实值。

sample_weight形状为 (n_samples,) 的类数组对象, 默认值=None

样本权重。

返回:
scorefloat

相对于y，self.predict(X)的\(R^2\)得分。

注意

在回归器上调用score时使用的\(R^2\)得分从版本0.23开始使用multioutput='uniform_average'，以与r2_score的默认值保持一致。这影响了所有多输出回归器（除了MultiOutputRegressor）的score方法。

set_params(**params)[source]#

设置此估计器的参数。

此方法适用于简单估计器以及嵌套对象（例如Pipeline）。后者具有<component>__<parameter>形式的参数，以便可以更新嵌套对象的每个组件。

参数:
**paramsdict

估计器参数。

返回:
self估计器实例

估计器实例。

set_predict_request(*, return_std: bool | None | str = '$UNCHANGED$') → ARDRegression[source]#

请求传递给predict方法的元数据。

请注意，此方法仅在enable_metadata_routing=True时相关（参见sklearn.set_config）。请参阅用户指南，了解路由机制的工作原理。

每个参数的选项是

  • True：请求元数据，如果提供则传递给predict。如果未提供元数据，则忽略请求。

  • False：不请求元数据，元估计器不会将其传递给predict。

  • None：不请求元数据，如果用户提供元数据，元估计器将引发错误。

  • str：元数据应以给定别名而非原始名称传递给元估计器。

默认值 (sklearn.utils.metadata_routing.UNCHANGED) 保留现有请求。这允许您更改某些参数的请求而不更改其他参数。

版本1.3中新增。

注意

此方法仅在将此估计器用作元估计器的子估计器时相关，例如在Pipeline内部使用时。否则无效。

参数:
return_stdstr, True, False, 或 None, 默认值=sklearn.utils.metadata_routing.UNCHANGED

在predict方法中return_std参数的元数据路由。

返回:
selfobject

更新后的对象。

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

请求传递给score方法的元数据。

请注意，此方法仅在enable_metadata_routing=True时相关（参见sklearn.set_config）。请参阅用户指南，了解路由机制的工作原理。

每个参数的选项是

  • True：请求元数据，如果提供则传递给score。如果未提供元数据，则忽略请求。

  • False：不请求元数据，元估计器不会将其传递给score。

  • None：不请求元数据，如果用户提供元数据，元估计器将引发错误。

  • str：元数据应以给定别名而非原始名称传递给元估计器。

默认值 (sklearn.utils.metadata_routing.UNCHANGED) 保留现有请求。这允许您更改某些参数的请求而不更改其他参数。

版本1.3中新增。

注意

此方法仅在将此估计器用作元估计器的子估计器时相关，例如在Pipeline内部使用时。否则无效。

参数:
sample_weightstr, True, False, 或 None, 默认值=sklearn.utils.metadata_routing.UNCHANGED

在score方法中sample_weight参数的元数据路由。

返回:
selfobject

更新后的对象。