QuantileRegressor#

class sklearn.linear_model.QuantileRegressor(*, quantile=0.5, alpha=1.0, fit_intercept=True, solver='highs', solver_options=None)[source]#

预测条件分位数的线性回归模型。

线性 QuantileRegressor 针对所需 quantile 优化 pinball 损失，并且对异常值具有鲁棒性。

此模型使用 L1 正则化，如 Lasso。

在用户指南中阅读更多信息。

版本 1.0 中新增。

参数:
quantilefloat, default=0.5

模型尝试预测的分位数。它必须严格介于 0 和 1 之间。如果为 0.5（默认值），模型预测 50% 分位数，即中位数。

alphafloat, default=1.0

与 L1 惩罚项相乘的正则化常数。

fit_interceptbool, default=True

是否拟合截距。

solver{‘highs-ds’, ‘highs-ipm’, ‘highs’, ‘interior-point’, ‘revised simplex’}, default=’highs’

scipy.optimize.linprog 用于解决线性规划公式的方法。

建议使用 highs 方法，因为它们是最快的。求解器“highs-ds”、“highs-ipm”和“highs”支持稀疏输入数据，实际上总是转换为稀疏 csc 格式。

从 scipy>=1.11.0 开始，“interior-point”不再可用。

版本 1.4 中变更: 在版本 1.4 中，solver 的默认值更改为 "highs"。

solver_optionsdict, default=None

作为选项传递给 scipy.optimize.linprog 的额外参数。如果为 None 且 solver='interior-point'，则将 {"lstsq": True} 传递给 scipy.optimize.linprog 以保证稳定性。

属性:
coef_形状为 (n_features,) 的数组

特征的估计系数。

intercept_float

模型的截距，又称偏置项。

n_features_in_int

fit 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

fit 期间看到的特征名称。仅当 X 的所有特征名称都是字符串时才定义。

版本 1.0 中新增。

n_iter_int

求解器执行的实际迭代次数。

另请参阅

Lasso

Lasso 是一种线性模型，使用 l1 正则化估计稀疏系数。

HuberRegressor

对异常值具有鲁棒性的线性回归模型。

示例

>>> from sklearn.linear_model import QuantileRegressor
>>> import numpy as np
>>> n_samples, n_features = 10, 2
>>> rng = np.random.RandomState(0)
>>> y = rng.randn(n_samples)
>>> X = rng.randn(n_samples, n_features)
>>> # the two following lines are optional in practice
>>> from sklearn.utils.fixes import sp_version, parse_version
>>> reg = QuantileRegressor(quantile=0.8).fit(X, y)
>>> np.mean(y <= reg.predict(X))
np.float64(0.8)
fit(X, y, sample_weight=None)[source]#

根据给定的训练数据拟合模型。

参数:
X形状为 (n_samples, n_features) 的类数组或稀疏矩阵

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, default=None

样本权重。

返回:
selfobject

返回自身。

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的工作原理。

返回:
routingMetadataRequest

封装路由信息的 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作为估计器的子对象的参数。

返回:
paramsdict

参数名称映射到其值。

predict(X)[source]#

使用线性模型进行预测。

参数:
X形状为 (n_samples, n_features) 的类数组或稀疏矩阵

样本。

返回:
C形状为 (n_samples,) 的数组

返回预测值。

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

返回测试数据的决定系数。

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()。最佳可能分数为 1.0，并且可能为负（因为模型可能任意地差）。一个总是预测 y 期望值而不考虑输入特征的常数模型将获得 0.0 的 \(R^2\) 分数。

参数:
X形状为 (n_samples, n_features) 的类数组

测试样本。对于某些估计器，这可能是预计算的核矩阵或通用对象列表，形状为 (n_samples, n_samples_fitted)，其中 n_samples_fitted 是估计器拟合中使用的样本数量。

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

X 的真实值。

sample_weight形状为 (n_samples,) 的类数组, default=None

样本权重。

返回:
scorefloat

self.predict(X) 相对于 y 的 \(R^2\) 值。

注释

在调用回归器的 score 方法时使用的 \(R^2\) 分数从版本 0.23 开始使用 multioutput='uniform_average'，以与 r2_score 的默认值保持一致。这会影响所有多输出回归器（MultiOutputRegressor 除外）的 score 方法。

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → QuantileRegressor[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的工作原理。

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，则忽略该请求。

  • False: 不请求元数据，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。否则它没有效果。

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。

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

参数:
**paramsdict

估计器参数。

返回:
selfestimator instance

估计器实例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → QuantileRegressor[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的工作原理。

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，则忽略该请求。

  • False: 不请求元数据，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。否则它没有效果。

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。