ARD回归#

class sklearn.linear_model.ARDRegression(*, max_iter=300, tol=0.001, alpha_1=1e-06, alpha_2=1e-06, lambda_1=1e-06, lambda_2=1e-06, compute_score=False, threshold_lambda=10000.0, fit_intercept=True, copy_X=True, verbose=False)[源]#

贝叶斯 ARD 回归。

使用ARD先验拟合回归模型的权重。回归模型的权重假定服从高斯分布。同时估计参数lambda（权重分布的精度）和alpha（噪声分布的精度）。估计通过迭代过程（证据最大化）完成。

在用户指南中阅读更多信息。

参数:
max_iterint, default=300

最大迭代次数。

版本1.3中更改。

tolfloat, default=1e-3

如果w已收敛，则停止算法。

alpha_1浮点数, 默认值=1e-6

超参数：alpha参数上的Gamma分布先验的形状参数。

alpha_2浮点数, 默认值=1e-6

超参数：alpha参数上的Gamma分布先验的逆尺度参数（比率参数）。

lambda_1浮点数, 默认值=1e-6

超参数：lambda参数上的Gamma分布先验的形状参数。

lambda_2浮点数, 默认值=1e-6

超参数：lambda参数上的Gamma分布先验的逆尺度参数（比率参数）。

compute_score布尔值, 默认值=False

如果为True，则在模型的每一步计算目标函数。

threshold_lambda浮点数, 默认值=10 000

用于从计算中移除（修剪）高精度权重的阈值。

fit_interceptbool, default=True

Whether to calculate the intercept for this model. If set to false, no intercept will be used in calculations (i.e. data is expected to be centered).

copy_Xbool, default=True

如果为 True，X 将被复制；否则，它可能会被覆盖。

verbosebool, default=False

拟合模型时的详细模式。

属性:
coef_array-like of shape (n_features,)

回归模型的系数（分布的均值）

alpha_float

噪声的估计精度。

lambda_形状为 (n_features,) 的类数组

权重的估计精度。

sigma_形状为 (n_features, n_features) 的类数组

权重的估计方差-协方差矩阵

scores_浮点数

如果计算，目标函数的值（待最大化）

n_iter_int

The actual number of iterations to reach the stopping criterion.

在版本 1.3 中新增。

intercept_float

决策函数中的独立项。如果fit_intercept = False，则设置为0.0。

X_offset_浮点数

如果 fit_intercept=True，用于将数据中心化为零均值的偏移量。否则设置为 np.zeros(n_features)。

X_scale_浮点数

设置为 np.ones(n_features)。

n_features_in_int

在 拟合 期间看到的特征数。

0.24 版本新增。

feature_names_in_shape 为 (n_features_in_,) 的 ndarray

在 fit 期间看到的特征名称。仅当 X 具有全部为字符串的特征名称时才定义。

1.0 版本新增。

另请参阅

BayesianRidge

贝叶斯岭回归。

References

D. J. C. MacKay, 用于预测竞赛的贝叶斯非线性建模, ASHRAE学报, 1994。

R. Salakhutdinov, 统计机器学习讲义, http://www.utstat.toronto.edu/~rsalakhu/sta4273/notes/Lecture2.pdf#page=15 他们的beta是我们的 self.alpha_ 他们的alpha是我们的 self.lambda_ ARD与幻灯片略有不同：只有 self.lambda_ < self.threshold_lambda 的维度/特征被保留，其余的被丢弃。

示例

>>> from sklearn import linear_model
>>> clf = linear_model.ARDRegression()
>>> clf.fit([[0,0], [1, 1], [2, 2]], [0, 1, 2])
ARDRegression()
>>> clf.predict([[1, 1]])
array([1.])
fit(X, y)[源]#

根据给定的训练数据和参数拟合模型。

最大化证据的迭代过程

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

训练向量，其中 n_samples 是样本数，n_features 是特征数。

yarray-like of shape (n_samples,)

目标值（整数）。如有必要，将被转换为X的数据类型。

返回:
selfobject

拟合的估计器。

get_metadata_routing()[源]#

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)[源]#

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(X, return_std=False)[源]#

使用线性模型进行预测。

除了预测分布的均值之外，还可以返回其标准差。

参数:
Xshape 为 (n_samples, n_features) 的 {array-like, sparse matrix}

样本。

return_stdbool, default=False

是否返回后验预测的标准差。

返回:
y_mean形状为 (n_samples,) 的类数组

查询点的预测分布均值。

y_std形状为 (n_samples,) 的类数组

查询点的预测分布的标准差。

score(X, y, sample_weight=None)[源]#

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，并且可能为负值（因为模型可能任意差）。一个总是预测 y 期望值而忽略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

在回归器上调用 score 时使用的 \(R^2\) 分数从0.23版开始使用 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_params(**params)[源]#

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_predict_request(*, return_std: 布尔值 | 无 | 字符串 = '$UNCHANGED$') → ARDRegression[源]#

配置是否应请求元数据以传递给 predict 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 predict。如果未提供元数据，则忽略该请求。

  • False：不请求元数据，并且元估计器不会将其传递给 predict。

  • 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:
return_stdstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

predict中return_std参数的元数据路由。

返回:
selfobject

更新后的对象。

set_score_request(*, sample_weight: 布尔值 | 无 | 字符串 = '$UNCHANGED$') → ARDRegression[源]#

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。