分位数回归器#

class sklearn.linear_model.QuantileRegressor(*, quantile=0.5, alpha=1.0, fit_intercept=True, solver='highs', solver_options=None)[source]#

预测条件分位数的线性回归模型。

线性QuantileRegressor针对所需的quantile优化了Pinball损失函数，并且对异常值具有鲁棒性。

此模型使用类似于Lasso的L1正则化。

在用户指南中了解更多信息。

版本 1.0 中新增。

参数：

quantilefloat, default=0.5

模型尝试预测的分位数。它必须严格介于 0 和 1 之间。如果为 0.5（默认值），则模型预测 50% 分位数，即中位数。

alphafloat, default=1.0

乘以 L1 惩罚项的正则化常数。

fit_interceptbool, default=True

是否拟合截距。

solver{‘highs-ds’, ‘highs-ipm’, ‘highs’, ‘interior-point’, ‘revised simplex’}, default=’highs’

scipy.optimize.linprog用于求解线性规划公式的方法。

建议使用 highs 方法，因为它们是最快的方法。“highs-ds”、“highs-ipm” 和 “highs” 求解器支持稀疏输入数据，并且实际上总是转换为稀疏 csc。

从scipy>=1.11.0开始，“interior-point”不再可用。

版本 1.4 中更改：版本 1.4 中solver的默认值更改为"highs"。

solver_optionsdict, default=None

传递给scipy.optimize.linprog作为选项的其他参数。如果为None并且solver='interior-point'，则为了稳定性，将{"lstsq": True}传递给scipy.optimize.linprog。

属性：

coef_array of shape (n_features,): 特征的估计系数。
intercept_float: 模型的截距，也称为偏差项。
n_features_in_int: 在拟合期间看到的特征数量。

版本 0.24 中新增。
feature_names_in_ndarray of shape (n_features_in_,): 在拟合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定义。

版本 1.0 中新增。
n_iter_int: 求解器执行的实际迭代次数。

另请参阅

Lasso: Lasso 是一种线性模型，它使用 l1 正则化估计稀疏系数。
HuberRegressor: 对异常值具有鲁棒性的线性回归模型。

示例

>>> from sklearn.linear_model import QuantileRegressor
>>> import numpy as np
>>> n_samples, n_features = 10, 2
>>> rng = np.random.RandomState(0)
>>> y = rng.randn(n_samples)
>>> X = rng.randn(n_samples, n_features)
>>> # the two following lines are optional in practice
>>> from sklearn.utils.fixes import sp_version, parse_version
>>> reg = QuantileRegressor(quantile=0.8).fit(X, y)
>>> np.mean(y <= reg.predict(X))
np.float64(0.8)

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

根据给定的训练数据拟合模型。

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: 返回自身。

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: 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，则将返回此估计器和包含的作为估计器的子对象的参数。

返回：

paramsdict: 参数名称映射到其值。

predict(X)[source]#

使用线性模型进行预测。

参数：

X类数组或稀疏矩阵，形状 (n_samples, n_features): 样本。

返回：

C数组，形状 (n_samples,): 返回预测值。

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

返回预测的决定系数。

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()，而 $v$ 是总平方和 ((y_true - y_true.mean()) ** 2).sum()。最佳分数为 1.0，也可能为负数（因为模型可以任意差）。一个始终预测 y 期望值的常数模型，忽略输入特征，其 $R^2$ 分数为 0.0。

参数：

X形状为 (n_samples, n_features) 的类数组: 测试样本。对于某些估计器，这可能是预计算的核矩阵或形状为 (n_samples, n_samples_fitted) 的泛型对象列表，其中 n_samples_fitted 是估计器拟合中使用的样本数。
y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组: X 的真值。
sample_weightarray-like of shape (n_samples,), default=None: 样本权重。

返回：

score浮点数: self.predict(X) 关于 y 的 $R^2$。

注释

从 0.23 版本开始，在回归器上调用 score 时使用的 $R^2$ 分数使用 multioutput='uniform_average'，以保持与 r2_score 的默认值一致。这会影响所有多输出回归器的 score 方法（MultiOutputRegressor 除外）。

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → QuantileRegressor[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。请参见用户指南，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，而无需更改其他参数。

1.3 版本中新增。

注意

只有在此估计器用作元估计器的子估计器时（例如，在 Pipeline 中使用），此方法才相关。否则，它没有任何作用。

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

向score方法传递的元数据请求。

请注意，只有在 enable_metadata_routing=True 时（参见 sklearn.set_config），此方法才相关。请参见用户指南，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，而无需更改其他参数。

1.3 版本中新增。

注意

只有在此估计器用作元估计器的子估计器时（例如，在 Pipeline 中使用），此方法才相关。否则，它没有任何作用。

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。

示例库#

分位数回归