等渗回归#

class sklearn.isotonic.IsotonicRegression(*, y_min=None, y_max=None, increasing=True, out_of_bounds='nan')[source]#

等渗回归模型。

请参阅用户指南了解更多信息。

在版本 0.13 中添加。

参数:
y_min浮点数, 默认为None

预测的最低值的下限（实际最小值可能仍会更高）。如果未设置，则默认为-inf。

y_max浮点数, 默认为None

预测的最高值的上限（实际最大值可能仍会更低）。如果未设置，则默认为+inf。

increasing布尔值或“auto”, 默认为True

决定预测值是否应随X的增大而增大或减小。‘auto’将根据Spearman相关估计的符号来决定。

out_of_bounds{‘nan’, ‘clip’, ‘raise’}, 默认为’nan’

处理预测时X值超出训练范围的情况。

  • ‘nan’，预测值将为NaN。

  • ‘clip’，预测值将被设置为最接近的训练区间端点处的值。

  • ‘raise’，将引发ValueError。

属性:
X_min_浮点数

输入数组X_的最小值，用于左边界。

X_max_浮点数

输入数组X_的最大值，用于右边界。

X_thresholds_形状为 (n_thresholds,) 的ndarray

用于插值 y = f(X) 单调函数的唯一升序X值。

0.24 版本新增。

y_thresholds_形状为 (n_thresholds,) 的ndarray

适合插值 y = f(X) 单调函数的去重y值。

0.24 版本新增。

f_函数

覆盖输入域X的阶梯式插值函数。

increasing_布尔值

increasing的推断值。

另请参阅

sklearn.linear_model.LinearRegression

普通最小二乘线性回归。

sklearn.ensemble.HistGradientBoostingRegressor

接受单调性约束的非参数模型梯度提升。

isotonic_regression

用于求解等渗回归模型的函数。

注意事项

平局使用de Leeuw（1977）的第二种方法处理。

References

等渗中位数回归：一种线性规划方法 Nilotpal Chakravarti 运筹学数学 第14卷第2期 (1989年5月), pp. 303-308

R中的等渗优化：池相邻违规者算法 (PAVA) 和活跃集方法 de Leeuw, Hornik, Mair 统计软件杂志 2009

Kruskal算法在带平局的单调回归中的正确性 de Leeuw, 心理测量学, 1977

示例

>>> from sklearn.datasets import make_regression
>>> from sklearn.isotonic import IsotonicRegression
>>> X, y = make_regression(n_samples=10, n_features=1, random_state=41)
>>> iso_reg = IsotonicRegression().fit(X, y)
>>> iso_reg.predict([.1, .2])
array([1.8628, 3.7256])
fit(X, y, sample_weight=None)[source]#

Fit the model using X, y as training data.

参数:
X形状为 (n_samples,) 或 (n_samples, 1) 的类数组

训练数据。

版本 0.24 中的变化: 也接受具有1个特征的二维数组。

yarray-like of shape (n_samples,)

训练目标。

sample_weightshape 为 (n_samples,) 的 array-like, default=None

权重。如果设置为None，所有权重将设为1（等权重）。

返回:
selfobject

Returns an instance of self.

注意事项

X将被存储以供将来使用，因为transform需要X来插值新的输入数据。

fit_transform(X, y=None, **fit_params)[source]#

拟合数据，然后对其进行转换。

使用可选参数 fit_params 将转换器拟合到 X 和 y，并返回 X 的转换版本。

参数:
Xshape 为 (n_samples, n_features) 的 array-like

输入样本。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组对象，默认=None

目标值（对于无监督转换，为 None）。

**fit_paramsdict

额外的拟合参数。仅当估计器在其 fit 方法中接受额外的参数时才传递。

返回:
X_newndarray array of shape (n_samples, n_features_new)

转换后的数组。

get_feature_names_out(input_features=None)[source]#

获取转换的输出特征名称。

参数:
input_featuresarray-like of str or None, default=None

忽略。

返回:
feature_names_outstr 对象的 ndarray

一个包含一个字符串的ndarray，例如[“isotonicregression0”]。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查阅 用户指南，了解路由机制如何工作。

返回:
routingMetadataRequest

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, default=True

如果为 True，将返回此估计器以及包含的子对象（如果它们是估计器）的参数。

返回:
paramsdict

参数名称映射到其值。

predict(T)[source]#

通过线性插值预测新数据。

参数:
T形状为 (n_samples,) 或 (n_samples, 1) 的类数组

要转换的数据。

返回:
y_pred形状为 (n_samples,) 的 ndarray

转换后的数据。

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()。最佳得分是1.0，并且可以为负（因为模型可能任意差）。一个总是预测y的期望值而忽略输入特征的常数模型将获得0.0的\(R^2\)得分。

参数:
Xshape 为 (n_samples, n_features) 的 array-like

测试样本。对于某些估计器，这可能是一个预先计算的核矩阵或一个通用对象列表，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。

yshape 为 (n_samples,) 或 (n_samples, n_outputs) 的 array-like

X 的真实值。

sample_weightshape 为 (n_samples,) 的 array-like, default=None

样本权重。

返回:
scorefloat

self.predict(X) 相对于 y 的 \(R^2\)。

注意事项

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 = '$UNCHANGED$') → IsotonicRegression[source]#

配置是否应请求元数据以传递给 fit 方法。

请注意，此方法仅在以下情况下相关：此估计器用作 元估计器 中的子估计器，并且通过 enable_metadata_routing=True 启用了元数据路由（请参阅 sklearn.set_config）。请查看 用户指南 以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：应将元数据以给定别名而不是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。

在版本 1.3 中新增。

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_output(*, transform=None)[source]#

设置输出容器。

请参阅 用户指南 以了解更多详细信息，并参考 引入 set_output API 获取关于如何使用该 API 的示例。

参数:
transform{“default”, “pandas”, “polars”}, default=None

配置 transform 和 fit_transform 的输出。

  • "default": 转换器的默认输出格式

  • "pandas": DataFrame 输出

  • "polars": Polars 输出

  • None: 转换配置保持不变

1.4 版本新增: 添加了 "polars" 选项。

返回:
selfestimator instance

估计器实例。

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，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:
selfestimator instance

估计器实例。

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

配置是否应请求元数据以传递给 score 方法。

请注意，此方法仅在以下情况下相关：此估计器用作 元估计器 中的子估计器，并且通过 enable_metadata_routing=True 启用了元数据路由（请参阅 sklearn.set_config）。请查看 用户指南 以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：应将元数据以给定别名而不是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。

在版本 1.3 中新增。

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。

transform(T)[source]#

通过线性插值转换新数据。

参数:
T形状为 (n_samples,) 或 (n_samples, 1) 的类数组

要转换的数据。

版本 0.24 中的变化: 也接受具有1个特征的二维数组。

返回:
y_pred形状为 (n_samples,) 的 ndarray

转换后的数据。