泊松回归器 (PoissonRegressor)#
- 类 sklearn.linear_model.PoissonRegressor(*, alpha=1.0, fit_intercept=True, solver='lbfgs', max_iter=100, tol=0.0001, warm_start=False, verbose=0)[源]#
具有泊松分布的广义线性模型。
此回归器使用“对数”链接函数。
在用户指南中了解更多信息。
在 0.23 版本中添加。
- 参数:
- alpha浮点型, 默认值=1
L2 惩罚项的乘数常数，用于确定正则化强度。
alpha = 0等效于无惩罚的广义线性模型。在这种情况下，设计矩阵X必须具有完全列秩（无共线性）。alpha的值必须在[0.0, inf)范围内。- fit_intercept布尔型, 默认值=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)。- solver{‘lbfgs’, ‘newton-cholesky’}, 默认值=’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-拉夫逊步骤（在任意精度算术中等效于迭代重加权最小二乘法）和基于乔列斯基的内部求解器。此求解器是
n_samples>>n_features的良好选择，尤其是在使用稀有类别的独热编码类别特征时。请注意，此求解器的内存使用量对n_features呈二次依赖关系，因为它显式计算了 Hessian 矩阵。在 1.2 版本中添加。
- max_iter整型, 默认值=100
求解器的最大迭代次数。值必须在
[1, inf)范围内。- tol浮点型, 默认值=1e-4
停止准则。对于 lbfgs 求解器，当目标函数的梯度（导数）的第 j 个分量
g_j满足max{|g_j|, j = 1, ..., d} <= tol时，迭代将停止。值必须在(0.0, inf)范围内。- warm_start布尔型, 默认值=False
如果设置为
True，则将上次调用fit的解决方案重用为coef_和intercept_的初始化。- verbose整型, 默认值=0
对于 lbfgs 求解器，将 verbose 设置为任意正数以启用详细输出。值必须在
[0, inf)范围内。
- 属性:
另请参阅
TweedieRegressor具有 Tweedie 分布的广义线性模型。
示例
>>> from sklearn import linear_model >>> clf = linear_model.PoissonRegressor() >>> X = [[1, 2], [2, 3], [3, 4], [4, 3]] >>> y = [12, 17, 22, 21] >>> clf.fit(X, y) PoissonRegressor() >>> clf.score(X, y) np.float64(0.990) >>> clf.coef_ array([0.121, 0.158]) >>> clf.intercept_ np.float64(2.088) >>> clf.predict([[1, 1], [3, 4]]) array([10.676, 21.875])
- fit(X, y, sample_weight=None)[源]#
拟合广义线性模型。
- 参数:
- X形状为 (n_samples, n_features) 的 {类数组, 稀疏矩阵}
训练数据。
- y形状为 (n_samples,) 的类数组
目标值。
- sample_weight形状为 (n_samples,) 的类数组, 默认值=None
样本权重。
- 返回:
- self对象
拟合模型。
- get_metadata_routing()[源]#
获取此对象的元数据路由。
请查看用户指南，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)[源]#
获取此估计器的参数。
- 参数:
- deep布尔型, 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:
- params字典
参数名称及其对应的值。
- predict(X)[源]#
使用特征矩阵 X 对广义线性模型进行预测。
- 参数:
- X形状为 (n_samples, n_features) 的 {类数组, 稀疏矩阵}
样本。
- 返回:
- y_pred形状为 (n_samples,) 的数组
返回预测值。
- score(X, y, sample_weight=None)[源]#
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 使用此广义线性模型的偏差，请参阅用户指南。
D^2 的定义为 \(D^2 = 1-\frac{D(y_{true},y_{pred})}{D_{null}}\)，其中 \(D_{null}\) 是零偏差，即仅包含截距的模型的偏差，对应于 \(y_{pred} = \bar{y}\)。均值 \(\bar{y}\) 通过样本权重进行平均。最佳分数为 1.0，它也可能为负（因为模型可能任意差）。
- 参数:
- X形状为 (n_samples, n_features) 的 {类数组, 稀疏矩阵}
测试样本。
- y形状为 (n_samples,) 的类数组
目标的真实值。
- sample_weight形状为 (n_samples,) 的类数组, 默认值=None
样本权重。
- 返回:
- score浮点型
self.predict(X) 相对于 y 的 D^2。
- set_fit_request(*, sample_weight: 布尔型 | None | 字符串 = '$UNCHANGED$') PoissonRegressor[源]#
请求传递给
fit方法的元数据。请注意，此方法仅在
enable_metadata_routing=True时才有效（参见sklearn.set_config）。请参阅用户指南，了解路由机制的工作原理。每个参数的选项如下：
True：请求元数据，如果提供则传递给fit。如果未提供元数据，则忽略该请求。False：不请求元数据，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的请求。在 1.3 版本中添加。
注意
此方法仅在此估计器用作元估计器的子估计器时才相关，例如在
Pipeline内部使用时。否则，它没有效果。- 参数:
- sample_weight字符串, True, False, 或 None, 默认值=sklearn.utils.metadata_routing.UNCHANGED
fit方法中sample_weight参数的元数据路由。
- 返回:
- self对象
更新后的对象。
- set_params(**params)[源]#
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:
- **params字典
估计器参数。
- 返回:
- self估计器实例
估计器实例。
- set_score_request(*, sample_weight: 布尔型 | None | 字符串 = '$UNCHANGED$') PoissonRegressor[源]#
请求传递给
score方法的元数据。请注意，此方法仅在
enable_metadata_routing=True时才有效（参见sklearn.set_config）。请参阅用户指南，了解路由机制的工作原理。每个参数的选项如下：
True：请求元数据，如果提供则传递给score。如果未提供元数据，则忽略该请求。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的请求。在 1.3 版本中添加。
注意
此方法仅在此估计器用作元估计器的子估计器时才相关，例如在
Pipeline内部使用时。否则，它没有效果。- 参数:
- sample_weight字符串, True, False, 或 None, 默认值=sklearn.utils.metadata_routing.UNCHANGED
score方法中sample_weight参数的元数据路由。
- 返回:
- self对象
更新后的对象。
