IsotonicRegression#

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

等渗回归模型。

在用户指南中阅读更多内容。

在版本 0.13 中添加。

参数:

y_minfloat, default=None

对最低预测值的下限（最小值可能仍更高）。如果未设置，默认为-inf。

y_maxfloat, default=None

对最高预测值的上限（最大值可能仍更低）。如果未设置，默认为+inf。

increasingbool or ‘auto’, default=True

确定预测值是否应约束为随X增加或减少。‘auto’将根据斯皮尔曼相关系数的符号来决定。

out_of_bounds{‘nan’, ‘clip’, ‘raise’}, default=’nan’

处理在预测过程中X值超出训练域的情况。

‘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对应的值。
‘raise’，将引发ValueError。

属性:

X_min_float: 输入数组X_的最小值，用于左边界。
X_max_float: 输入数组X_的最大值，用于右边界。
X_thresholds_ndarray of shape (n_thresholds,): 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_ndarray of shape (n_thresholds,): 适合插值y = f(X)单调函数的去重y值。

0.24 版本新增。
f_function: 覆盖输入域X的阶梯式插值函数。
increasing_bool: 为increasing推断出的值。

另请参阅

sklearn.linear_model.LinearRegression: 普通最小二乘线性回归。
sklearn.ensemble.HistGradientBoostingRegressor: 梯度提升是一种非参数模型，接受单调性约束。
isotonic_regression: 求解保序回归模型的函数。

注意事项

平局使用de Leeuw，1977年的次要方法打破。

References

保序中位数回归：一种线性规划方法 Nilotpal Chakravarti Mathematics of Operations Research Vol. 14, No. 2 (May, 1989), pp. 303-308

R中的保序优化：相邻池违例算法（PAVA）和主动集方法 de Leeuw, Hornik, Mair Journal of Statistical Software 2009

Kruskal单调回归算法在有平局情况下的正确性 de Leeuw, Psychometrica, 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:

Xarray-like of shape (n_samples,) or (n_samples, 1): 训练数据。

版本0.24中的更改：也接受具有1个特征的2d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，所有权重将被设置为1（等权重）。

返回:

selfobject: Returns an instance of self.

注意事项

X被存储以备将来使用，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，即[“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:

Tarray-like of shape (n_samples,) or (n_samples, 1): 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()。最好的分数是1.0，它也可以是负数（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:

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

在版本0.23中，调用回归器的score方法时使用的$R^2$分数使用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（除了MultiOutputRegressor）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。

有关如何使用 API 的示例，请参阅引入 set_output API。

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:

Tarray-like of shape (n_samples,) or (n_samples, 1): 要转换的数据。

版本0.24中的更改：也接受具有1个特征的2d数组。

返回:

y_pred形状为 (n_samples,) 的 ndarray: 转换后的数据。

Gallery examples#

保序回归

IsotonicRegression#

Gallery examples#

本页