ARDRegression#

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)[source]#

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内容。

参数:

max_iterint, default=300: 最大迭代次数。

版本 1.3 中已更改。
tolfloat, default=1e-3: 如果 w 已收敛，则停止算法。
alpha_1float, default=1e-6: 超参数：alpha 参数的 Gamma 分布先验的形状参数。
alpha_2float, default=1e-6: 超参数：alpha 参数的 Gamma 分布先验的逆尺度参数（速率参数）。
lambda_1float, default=1e-6: 超参数：lambda 参数的 Gamma 分布先验的形状参数。
lambda_2float, default=1e-6: 超参数：lambda 参数的 Gamma 分布先验的逆尺度参数（速率参数）。
compute_scorebool, default=False: 如果为 True，则在模型的每个步骤计算目标函数。
threshold_lambdafloat, default=10 000: 用于从计算中移除（剪枝）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（分布均值）
alpha_float: 估计的噪声精度。
lambda_array-like of shape (n_features,): 估计的权重精度。
sigma_array-like of shape (n_features, n_features): 估计的权重方差-协方差矩阵。
scores_float: 如果已计算，则为目标函数（待最大化）的值。
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_float: 如果 fit_intercept=True，则为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_float: 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, Bayesian nonlinear modeling for the prediction competition, ASHRAE Transactions, 1994.

R. Salakhutdinov, Lecture notes on Statistical Machine Learning, 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：只保留 self.lambda_ < self.threshold_lambda 的维度/特征，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.])

比较线性贝叶斯回归器演示了 ARD 回归。
用于稀疏信号的基于 L1 的模型展示了 ARD 回归与 Lasso 和 Elastic-Net 在存在噪声的稀疏、相关信号情况下的比较。

fit(X, y)[source]#

根据给定的训练数据和参数拟合模型。

用于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，将转换为 X 的 dtype。

返回:

selfobject: 拟合的估计器。

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(X, return_std=False)[source]#

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_meanarray-like of shape (n_samples,): 查询点的预测分布均值。
y_stdarray-like of shape (n_samples,): 查询点的预测分布的标准差。

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，分数可以为负值（因为模型可能任意地差）。一个总是预测 y 期望值（不考虑输入特征）的常数模型将获得 $R^2$ 分数 0.0。

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

从版本 0.23 开始，在对回归器调用 score 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_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_predict_request(*, return_std: bool | None | str = '$UNCHANGED$') → ARDRegression[source]#

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: bool | None | str = '$UNCHANGED$') → ARDRegression[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。

Gallery examples#

比较线性贝叶斯回归器

用于稀疏信号的 L1 模型

ARDRegression#

Gallery examples#

本页