GammaRegressor#

class sklearn.linear_model.GammaRegressor(*, alpha=1.0, fit_intercept=True, solver='lbfgs', max_iter=100, tol=0.0001, warm_start=False, verbose=0)[source]#

使用 Gamma 分布的广义线性模型。

此回归器使用“log”链接函数。

在用户指南中阅读更多内容。

0.23 版本新增。

参数:
alphafloat, default=1

乘以 L2 惩罚项并确定正则化强度的常数。alpha = 0 等效于无惩罚的 GLM。在这种情况下，设计矩阵 X 必须具有满列秩（无共线性）。alpha 的值必须在 [0.0, inf) 范围内。

fit_interceptbool, default=True

指定是否应将常数（也称为偏差或截距）添加到线性预测器 X @ coef_ + intercept_ 中。

solver{‘lbfgs’, ‘newton-cholesky’}, default=’lbfgs’

优化问题中使用的算法

‘lbfgs’

调用 scipy 的 L-BFGS-B 优化器。

‘newton-cholesky’

使用牛顿-拉夫森步骤（在任意精度算术中等同于迭代重加权最小二乘法）和基于 Cholesky 的内部求解器。此求解器是 n_samples >> n_features 的良好选择，特别是对于具有稀有类别的独热编码分类特征。请注意，此求解器的内存使用量对 n_features 具有二次依赖性，因为它显式计算 Hessian 矩阵。

1.2 版本新增。

max_iterint, default=100

求解器的最大迭代次数。值必须在 [1, inf) 范围内。

tolfloat, default=1e-4

停止准则。对于 lbfgs 求解器，当 max{|g_j|, j = 1, ..., d} <= tol 时迭代将停止，其中 g_j 是目标函数的梯度（导数）的第 j 个分量。值必须在 (0.0, inf) 范围内。

warm_startbool, default=False

如果设置为 True，则重用上次调用 fit 的解决方案作为 coef_ 和 intercept_ 的初始化。

verboseint, default=0

对于 lbfgs 求解器，将 verbose 设置为任何正数以启用详细输出。值必须在 [0, inf) 范围内。

属性:
coef_shape 为 (n_features,) 的数组

GLM 中线性预测器 (X @ coef_ + intercept_) 的估计系数。

intercept_float

添加到线性预测器中的截距（也称为偏差）。

n_features_in_int

fit 期间见到的特征数量。

0.24 版本新增。

n_iter_int

求解器中实际使用的迭代次数。

feature_names_in_shape 为 (n_features_in_,) 的 ndarray

fit 期间见到的特征名称。仅当 X 的特征名称全部为字符串时才定义。

1.0 版本新增。

另请参阅

PoissonRegressor

使用泊松分布的广义线性模型。

TweedieRegressor

使用 Tweedie 分布的广义线性模型。

示例

>>> from sklearn import linear_model
>>> clf = linear_model.GammaRegressor()
>>> X = [[1, 2], [2, 3], [3, 4], [4, 3]]
>>> y = [19, 26, 33, 30]
>>> clf.fit(X, y)
GammaRegressor()
>>> clf.score(X, y)
np.float64(0.773)
>>> clf.coef_
array([0.073, 0.067])
>>> clf.intercept_
np.float64(2.896)
>>> clf.predict([[1, 0], [2, 8]])
array([19.483, 35.795])
fit(X, y, sample_weight=None)[source]#

拟合广义线性模型。

参数:
X{array-like, sparse matrix}，shape 为 (n_samples, n_features)

训练数据。

yarray-like，shape 为 (n_samples,)

目标值。

sample_weightarray-like，shape 为 (n_samples,), default=None

样本权重。

返回:
selfobject

拟合模型。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查看用户指南，了解路由机制如何工作。

返回:
routingMetadataRequest

一个包含路由信息的 MetadataRequest 对象。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:
deepbool, default=True

如果为 True，将返回此估计器及其包含的子估计器的参数。

返回:
paramsdict

参数名称与其值的映射。

predict(X)[source]#

使用 GLM 和特征矩阵 X 进行预测。

参数:
X{array-like, sparse matrix}，shape 为 (n_samples, n_features)

样本。

返回:
y_predshape 为 (n_samples,) 的数组

返回预测值。

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

计算 D^2，即解释偏差的百分比。

D^2 是决定系数 R^2 的推广。R^2 使用平方误差，而 D^2 使用此 GLM 的偏差，请参阅用户指南。

D^2 定义为 \(D^2 = 1-\frac{D(y_{true},y_{pred})}{D_{null}}\)，其中 \(D_{null}\) 是零偏差，即仅含截距的模型的偏差，对应于 \(y_{pred} = \bar{y}\)。均值 \(\bar{y}\) 通过 sample_weight 进行加权平均。最佳可能分数为 1.0，也可能为负（因为模型可能任意差）。

参数:
X{array-like, sparse matrix}，shape 为 (n_samples, n_features)

测试样本。

yarray-like，shape 为 (n_samples,)

目标真实值。

sample_weightarray-like，shape 为 (n_samples,), default=None

样本权重。

返回:
scorefloat

self.predict(X) 相对于 y 的 D^2 值。

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

请求传递给 fit 方法的元数据。

请注意，此方法仅在 enable_metadata_routing=True 时才相关（请参阅 sklearn.set_config）。请参阅用户指南，了解路由机制如何工作。

每个参数的选项为

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

  • False：不请求元数据，并且元估计器不会将其传递给 fit。

  • None：不请求元数据，如果用户提供，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。

1.3 版本新增。

注意

此方法仅在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, or None, default=sklearn.utils.metadata_routing.UNCHANGED

fit 方法中 sample_weight 参数的元数据路由。

返回:
selfobject

更新后的对象。

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（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_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → GammaRegressor[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 时才相关（请参阅 sklearn.set_config）。请参阅用户指南，了解路由机制如何工作。

每个参数的选项为

  • 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，并且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。

1.3 版本新增。

注意

此方法仅在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, or None, default=sklearn.utils.metadata_routing.UNCHANGED

score 方法中 sample_weight 参数的元数据路由。

返回:
selfobject

更新后的对象。