GammaRegressor 伽马回归器#

class sklearn.linear_model.GammaRegressor(*, alpha=1.0, fit_intercept=True, solver='lbfgs', max_iter=100, tol=0.0001, warm_start=False, verbose=0)[source]#

基于Gamma分布的广义线性模型。

该回归器使用“log”链接函数。

更多信息请参见 用户指南。

版本 0.23 中新增。

参数：
alphafloat, default=1

乘以L2惩罚项的常数，决定正则化强度。alpha = 0 等价于无惩罚的GLM。在这种情况下，设计矩阵 X 必须具有满列秩（无共线性）。alpha 的值必须在范围 [0.0, inf) 内。

fit_interceptbool, default=True

指定是否应将常数（又名偏差或截距）添加到线性预测器 X @ coef_ + intercept_。

solver{‘lbfgs’, ‘newton-cholesky’}, default=’lbfgs’

优化问题中使用的算法

‘lbfgs’

调用 scipy 的 L-BFGS-B 优化器。

‘newton-cholesky’

使用牛顿-拉夫森步骤（在任意精度算术中相当于迭代重加权最小二乘法），并使用基于 Cholesky 的内部求解器。对于 n_samples >> n_features，尤其是在具有稀有类别的独热编码分类特征的情况下，此求解器是一个不错的选择。请注意，此求解器的内存使用量与 n_features 的平方成正比，因为它显式地计算 Hessian 矩阵。

版本 1.2 中新增。

max_iterint, default=100

求解器的最大迭代次数。值必须在范围 [1, inf) 内。

tolfloat, default=1e-4

停止准则。对于 lbfgs 求解器，当 max{|g_j|, j = 1, ..., d} <= tol 时，迭代将停止，其中 g_j 是目标函数梯度（导数）的第 j 个分量。值必须在范围 (0.0, inf) 内。

warm_startbool, default=False

如果设置为 True，则重用先前对 fit 的调用的解决方案作为 coef_ 和 intercept_ 的初始化。

verboseint, default=0

对于 lbfgs 求解器，将 verbose 设置为任何正数以提高详细程度。值必须在范围 [0, inf) 内。

属性：
coef_array of shape (n_features,)

GLM 中线性预测器 (X @ coef_ + intercept_) 的估计系数。

intercept_float

添加到线性预测器的截距（又名偏差）。

n_features_in_int

在 fit 期间看到的特征数量。

版本 0.24 中新增。

n_iter_int

求解器中使用的实际迭代次数。

feature_names_in_ndarray of shape (n_features_in_,)

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

版本 1.0 中新增。

另请参见

PoissonRegressor

基于泊松分布的广义线性模型。

TweedieRegressor

基于 Tweedie 分布的广义线性模型。

示例

>>> from sklearn import linear_model
>>> clf = linear_model.GammaRegressor()
>>> X = [[1, 2], [2, 3], [3, 4], [4, 3]]
>>> y = [19, 26, 33, 30]
>>> clf.fit(X, y)
GammaRegressor()
>>> clf.score(X, y)
np.float64(0.773...)
>>> clf.coef_
array([0.072..., 0.066...])
>>> clf.intercept_
np.float64(2.896...)
>>> clf.predict([[1, 0], [2, 8]])
array([19.483..., 35.795...])
fit(X, y, sample_weight=None)[source]#

拟合广义线性模型。

参数：
X{array-like, sparse matrix} of shape (n_samples, n_features)

训练数据。

yarray-like of shape (n_samples,)

目标值。

sample_weightarray-like of shape (n_samples,), default=None

样本权重。

返回：
selfobject

拟合的模型。

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

一个MetadataRequest 对象，封装了路由信息。

get_params(deep=True)[source]#

获取此估计器的参数。

参数：
deepbool，默认为 True

如果为 True，则将返回此估计器和包含的子对象（也是估计器）的参数。

返回：
paramsdict

参数名称与其值的映射。

predict(X)[source]#

使用具有特征矩阵 X 的 GLM 进行预测。

参数：
X{array-like, sparse matrix} of shape (n_samples, n_features)

样本。

返回：
y_pred形状为 (n_samples,) 的数组

返回预测值。

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

计算 D^2，即解释的偏差百分比。

D^2 是决定系数 R^2 的推广。R^2 使用平方误差，而 D^2 使用此 GLM 的偏差，请参见用户指南。

D^2 定义为 \(D^2 = 1-\frac{D(y_{true},y_{pred})}{D_{null}}\)，\(D_{null}\) 是零偏差，即仅包含截距的模型的偏差，对应于 \(y_{pred} = \bar{y}\)。平均值 \(\bar{y}\) 通过 `sample_weight` 加权平均。最佳分数为 1.0，也可能为负值（因为模型可以任意差）。

参数：
X{array-like, sparse matrix} of shape (n_samples, n_features)

测试样本。

yarray-like of shape (n_samples,)

目标的真实值。

sample_weightarray-like of shape (n_samples,), default=None

样本权重。

返回：
scorefloat

self.predict(X) 关于 y 的 D^2。

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

请求传递给 fit 方法的元数据。

请注意，只有在 enable_metadata_routing=True 时（参见 sklearn.set_config），此方法才相关。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，则元估计器将引发错误。

  • str：元数据应使用此给定的别名而不是原始名称传递给元估计器。

默认值 (sklearn.utils.metadata_routing.UNCHANGED) 保留现有的请求。这允许您更改某些参数的请求，而不对其他参数进行更改。

版本 1.3 中新增。

注意

仅当此估计器用作元估计器的子估计器（例如，在 Pipeline 中使用）时，此方法才相关。否则，它无效。

参数：
sample_weightstr、True、False 或 None，默认为 sklearn.utils.metadata_routing.UNCHANGED

fit 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（例如 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：
**params**字典

估计器参数。

返回：
self估计器实例

估计器实例。

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

传递给 score 方法的请求元数据。

请注意，只有在 enable_metadata_routing=True 时（参见 sklearn.set_config），此方法才相关。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，则元估计器将引发错误。

  • str：元数据应使用此给定的别名而不是原始名称传递给元估计器。

默认值 (sklearn.utils.metadata_routing.UNCHANGED) 保留现有的请求。这允许您更改某些参数的请求，而不对其他参数进行更改。

版本 1.3 中新增。

注意

仅当此估计器用作元估计器的子估计器（例如，在 Pipeline 中使用）时，此方法才相关。否则，它无效。

参数：
sample_weightstr、True、False 或 None，默认为 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。