PoissonRegressor#
- class sklearn.linear_model.PoissonRegressor(*, alpha=1.0, fit_intercept=True, solver='lbfgs', max_iter=100, tol=0.0001, warm_start=False, verbose=0)[原始碼]#
具有 Poisson 分佈的廣義線性模型。
此迴歸器使用 'log' 連結函數。
更多資訊請參閱使用者指南。
0.23 版本新增。
- 參數:
- alphafloat，預設值=1
一個常數，用於乘上 L2 懲罰項，並決定正規化強度。
alpha = 0等同於未懲罰的 GLM。在這種情況下，設計矩陣X必須具有完整的列秩（沒有共線性）。alpha的值必須在範圍[0.0, inf)內。- fit_interceptbool，預設值=True
指定是否應將常數（又稱偏差或截距）加入線性預測器 (
X @ coef + intercept)。- solver{‘lbfgs’, ‘newton-cholesky’}，預設值=’lbfgs’
在最佳化問題中使用的演算法
- ‘lbfgs’
調用 scipy 的 L-BFGS-B 最佳化器。
- ‘newton-cholesky’
使用牛頓-拉弗森步驟（在任意精度的算術中，等同於迭代重加權最小平方法），並搭配基於 Cholesky 的內部解算器。此解算器適用於
n_samples>>n_features的情況，尤其是在具有稀有類別的獨熱編碼類別特徵時。請注意，此解算器的記憶體使用量與n_features具有平方相依性，因為它會明確計算黑塞矩陣。於 1.2 版本新增。
- max_iterint，預設值=100
解算器的最大迭代次數。值必須在範圍
[1, inf)內。- tolfloat，預設值=1e-4
停止準則。對於 lbfgs 解算器，當
max{|g_j|, j = 1, ..., d} <= tol時，迭代將停止，其中g_j是目標函數的梯度（導數）的第 j 個分量。值必須在範圍(0.0, inf)內。- warm_startbool，預設值=False
如果設定為
True，則重複使用先前呼叫fit的解決方案，作為coef_和intercept_的初始化。- verboseint，預設值=0
對於 lbfgs 解算器，將 verbose 設定為任何正數以啟用詳細模式。值必須在範圍
[0, inf)內。
- 屬性:
另請參閱
TweedieRegressor具有 Tweedie 分佈的廣義線性模型。
範例
>>> from sklearn import linear_model >>> clf = linear_model.PoissonRegressor() >>> X = [[1, 2], [2, 3], [3, 4], [4, 3]] >>> y = [12, 17, 22, 21] >>> clf.fit(X, y) PoissonRegressor() >>> clf.score(X, y) np.float64(0.990...) >>> clf.coef_ array([0.121..., 0.158...]) >>> clf.intercept_ np.float64(2.088...) >>> clf.predict([[1, 1], [3, 4]]) array([10.676..., 21.875...])
- fit(X, y, sample_weight=None)[來源]#
擬合廣義線性模型。
- 參數:
- X形狀為 (n_samples, n_features) 的 {array-like, sparse matrix}
訓練資料。
- y形狀為 (n_samples,) 的 array-like
目標值。
- sample_weight形狀為 (n_samples,) 的 array-like，預設值=None
樣本權重。
- 回傳值:
- self物件
擬合的模型。
- get_metadata_routing()[來源]#
取得此物件的中繼資料路由。
請查看使用者指南，了解路由機制如何運作。
- 回傳值:
- routingMetadataRequest
一個封裝路由資訊的
MetadataRequest。
- get_params(deep=True)[來源]#
取得此估算器的參數。
- 參數:
- deepbool，預設值=True
如果為 True，將傳回此估算器和包含的子物件（也是估算器）的參數。
- 回傳值:
- paramsdict
參數名稱對應到其值的字典。
- predict(X)[原始碼]#
使用特徵矩陣 X，以廣義線性模型進行預測。
- 參數:
- X形狀為 (n_samples, n_features) 的 {array-like, sparse matrix}
樣本。
- 回傳值:
- y_pred形狀為 (n_samples,) 的陣列
回傳預測值。
- score(X, y, sample_weight=None)[原始碼]#
計算 D^2，即偏差的解釋百分比。
D^2 是決定係數 R^2 的推廣。R^2 使用平方誤差，而 D^2 使用此廣義線性模型的偏差，請參閱使用者指南。
D^2 定義為 \(D^2 = 1-\frac{D(y_{true},y_{pred})}{D_{null}}\)，\(D_{null}\) 是虛無偏差，即僅有截距的模型偏差，對應於 \(y_{pred} = \bar{y}\)。平均值 \(\bar{y}\) 會依 sample_weight 加權平均。最佳可能分數為 1.0，且可能為負值 (因為模型可能任意糟糕)。
- 參數:
- X形狀為 (n_samples, n_features) 的 {array-like, sparse matrix}
測試樣本。
- y形狀為 (n_samples,) 的 array-like
目標的真實值。
- sample_weight形狀為 (n_samples,) 的 array-like，預設值=None
樣本權重。
- 回傳值:
- score浮點數
self.predict(X) 相對於 y 的 D^2 值。
- set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') PoissonRegressor[原始碼]#
請求傳遞至
fit方法的中繼資料。請注意，只有在
enable_metadata_routing=True時此方法才相關 (請參閱sklearn.set_config)。請參閱使用者指南，了解路由機制的運作方式。每個參數的選項為：
True：請求中繼資料，如果提供，則傳遞至fit。如果未提供中繼資料，則會忽略請求。False：不請求中繼資料，並且元估計器不會將其傳遞至fit。None：不請求中繼資料，如果使用者提供，則元估計器會引發錯誤。str：中繼資料應以此指定別名傳遞至元估計器，而不是原始名稱。
預設值 (
sklearn.utils.metadata_routing.UNCHANGED) 會保留現有的請求。這允許您變更部分參數的請求，而不是全部。1.3 版新增。
注意
只有在將此估計器用作元估計器的子估計器時，此方法才相關，例如在
Pipeline中使用。否則不會有任何效果。- 參數:
- sample_weight字串、True、False 或 None，預設值=sklearn.utils.metadata_routing.UNCHANGED
fit中sample_weight參數的中繼資料路由。
- 回傳值:
- self物件
更新後的物件。
- set_params(**params)[原始碼]#
設定此估計器的參數。
此方法適用於簡單的估計器以及巢狀物件 (例如
Pipeline)。後者的參數格式為<component>__<parameter>，因此可以更新巢狀物件的每個元件。- 參數:
- **params字典
估計器參數。
- 回傳值:
- self估計器執行個體
估計器執行個體。
- set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') PoissonRegressor[原始碼]#
請求傳遞至
score方法的中繼資料。請注意，只有在
enable_metadata_routing=True時此方法才相關 (請參閱sklearn.set_config)。請參閱使用者指南，了解路由機制的運作方式。每個參數的選項為：
True：請求中繼資料，如果提供，則傳遞至score。如果未提供中繼資料，則會忽略請求。False：不請求中繼資料，並且元估計器不會將其傳遞至score。None：不請求中繼資料，如果使用者提供，則元估計器會引發錯誤。str：中繼資料應以此指定別名傳遞至元估計器，而不是原始名稱。
預設值 (
sklearn.utils.metadata_routing.UNCHANGED) 會保留現有的請求。這允許您變更部分參數的請求，而不是全部。1.3 版新增。
注意
只有在將此估計器用作元估計器的子估計器時，此方法才相關，例如在
Pipeline中使用。否則不會有任何效果。- 參數:
- sample_weight字串、True、False 或 None，預設值=sklearn.utils.metadata_routing.UNCHANGED
score中sample_weight參數的中繼資料路由。
- 回傳值:
- self物件
更新後的物件。
