Tweedie 迴歸器#

class sklearn.linear_model.TweedieRegressor(*, power=0.0, alpha=1.0, fit_intercept=True, link='auto', solver='lbfgs', max_iter=100, tol=0.0001, warm_start=False, verbose=0)[原始碼]#

具有 Tweedie 分佈的廣義線性模型。

此估算器可用於根據 power 參數來建模不同的 GLM，該參數決定了底層分佈。

請參閱使用者指南以了解更多資訊。

在 0.23 版本中新增。

參數:
powerfloat，預設值=0

power 決定了底層目標分佈，如下表所示

Power

分佈

0

常態分佈

1

Poisson 分佈

(1,2)

複合 Poisson Gamma 分佈

2

Gamma 分佈

3

反高斯分佈

對於 0 < power < 1，不存在分佈。

alphafloat，預設值=1

乘以 L2 懲罰項並決定正規化強度的常數。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 [0.0, inf) 範圍內。

fit_interceptbool，預設值=True

指定是否將常數（也稱為偏差或截距）加入線性預測器 (X @ coef + intercept)。

link{‘auto’, ‘identity’, ‘log’}，預設值='auto'

GLM 的連結函數，即從線性預測器 X @ coeff + intercept 到預測 y_pred 的映射。 選項 'auto' 會根據所選的 power 參數設定連結，如下所示

  • 對於 power <= 0，例如常態分佈，使用 'identity'

  • 對於 power > 0，例如 Poisson、Gamma 和反高斯分佈，使用 'log'

solver{‘lbfgs’, ‘newton-cholesky’}，預設值='lbfgs'

在最佳化問題中使用的演算法

'lbfgs'

呼叫 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新加權最小平方），並使用基於 Cholesky 的內部求解器。此求解器適用於 n_samples >> n_features 的情況，尤其是具有稀有類別的 one-hot 編碼分類特徵。請注意，此求解器的記憶體使用量與 n_features 呈二次方依賴關係，因為它會明確計算 Hessian 矩陣。

在 1.2 版本中新增。

max_iterint，預設值=100

求解器的最大迭代次數。值必須在 [1, inf) 範圍內。

tolfloat，預設值=1e-4

停止條件。對於 lbfgs 求解器，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 (0.0, inf) 範圍內。

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 求解器，將 verbose 設定為任何正數以進行詳細輸出。值必須在 [0, inf) 範圍內。

屬性:
coef_形狀為 (n_features,) 的陣列

GLM 中線性預測器 (X @ coef_ + intercept_) 的估計係數。

intercept_float

加入線性預測器的截距（也稱為偏差）。

n_iter_int

求解器中使用的實際迭代次數。

n_features_in_int

在 fit 期間看到的特徵數量。

在 0.24 版本中新增。

feature_names_in_形狀為 (n_features_in_,) 的 ndarray

在 fit 期間看到的特徵名稱。 僅當 X 具有全部為字串的特徵名稱時才定義。

在 1.0 版本中新增。

另請參閱

PoissonRegressor

具有 Poisson 分佈的廣義線性模型。

GammaRegressor

具有 Gamma 分佈的廣義線性模型。

範例

>>> from sklearn import linear_model
>>> clf = linear_model.TweedieRegressor()
>>> X = [[1, 2], [2, 3], [3, 4], [4, 3]]
>>> y = [2, 3.5, 5, 5.5]
>>> clf.fit(X, y)
TweedieRegressor()
>>> clf.score(X, y)
np.float64(0.839...)
>>> clf.coef_
array([0.599..., 0.299...])
>>> clf.intercept_
np.float64(1.600...)
>>> clf.predict([[1, 1], [3, 4]])
array([2.500..., 4.599...])
fit(X, y, sample_weight=None)[原始碼]#

擬合廣義線性模型。

參數:
X形狀為 (n_samples, n_features) 的 {類陣列, 稀疏矩陣}

訓練資料。

y形狀為 (n_samples,) 的類陣列

目標值。

sample_weight形狀為 (n_samples,) 的類陣列，預設值=None

樣本權重。

返回:
self物件

已擬合的模型。

get_metadata_routing()[原始碼]#

取得此物件的中繼資料路由。

請查看使用者指南，了解路由機制的運作方式。

返回:
routingMetadataRequest

一個 MetadataRequest，封裝了路由資訊。

get_params(deep=True)[原始碼]#

取得此估算器的參數。

參數:
deep布林值，預設為 True

如果為 True，將回傳此估算器和包含的子物件（也是估算器）的參數。

返回:
params字典

參數名稱對應到它們的值。

predict(X)[原始碼]#

使用特徵矩陣 X，以廣義線性模型 (GLM) 進行預測。

參數:
X形狀為 (n_samples, n_features) 的 {類陣列, 稀疏矩陣}

樣本。

返回:
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，即偏差解釋的百分比。

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 GLM 的偏差，請參閱 使用者指南。

D^2 定義為 \(D^2 = 1-\frac{D(y_{true},y_{pred})}{D_{null}}\)， \(D_{null}\) 是零偏差，即僅具有截距的模型的偏差，對應於 \(y_{pred} = \bar{y}\)。 平均值 \(\bar{y}\) 由 sample_weight 加權平均。最佳可能分數為 1.0，且可能為負值（因為模型可能任意地更糟）。

參數:
X形狀為 (n_samples, n_features) 的 {類陣列, 稀疏矩陣}

測試樣本。

y形狀為 (n_samples,) 的類陣列

目標的真實值。

sample_weight形狀為 (n_samples,) 的類陣列，預設值=None

樣本權重。

返回:
score浮點數

self.predict(X) 相對於 y 的 D^2。

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → TweedieRegressor[原始碼]#

請求傳遞到 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）。請參閱關於路由機制如何運作的 使用者指南。

每個參數的選項如下：

  • True：請求中繼資料，並在提供時傳遞給 fit。如果未提供中繼資料，則忽略請求。

  • False：不請求中繼資料，且 meta-estimator 不會將其傳遞給 fit。

  • None：不請求中繼資料，且如果使用者提供中繼資料，meta-estimator 將會引發錯誤。

  • str：中繼資料應使用此給定別名傳遞給 meta-estimator，而不是原始名稱。

預設值 (sklearn.utils.metadata_routing.UNCHANGED) 會保留現有的請求。這允許您變更某些參數的請求，而不是其他參數。

在 1.3 版中新增。

注意

只有當此估算器用作 meta-estimator 的子估算器時，例如在 Pipeline 內使用時，此方法才相關。否則，它沒有任何效果。

參數:
sample_weight字串、True、False 或 None，預設值為 sklearn.utils.metadata_routing.UNCHANGED

fit 中 sample_weight 參數的中繼資料路由。

返回:
self物件

更新後的物件。

set_params(**params)[原始碼]#

設定此估算器的參數。

此方法適用於簡單的估算器以及巢狀物件（例如 Pipeline）。後者具有 <元件>__<參數> 形式的參數，因此可以更新巢狀物件的每個元件。

參數:
**params字典

估算器參數。

返回:
self估算器實例

估算器實例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → TweedieRegressor[原始碼]#

請求傳遞給 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）。請參閱關於路由機制如何運作的 使用者指南。

每個參數的選項如下：

  • True：請求中繼資料，並在提供時傳遞給 score。如果未提供中繼資料，則忽略請求。

  • False：不請求中繼資料，並且 meta-estimator 不會將其傳遞給 score。

  • None：不請求中繼資料，且如果使用者提供中繼資料，meta-estimator 將會引發錯誤。

  • str：中繼資料應使用此給定別名傳遞給 meta-estimator，而不是原始名稱。

預設值 (sklearn.utils.metadata_routing.UNCHANGED) 會保留現有的請求。這允許您變更某些參數的請求，而不是其他參數。

在 1.3 版中新增。

注意

只有當此估算器用作 meta-estimator 的子估算器時，例如在 Pipeline 內使用時，此方法才相關。否則，它沒有任何效果。

參數:
sample_weight字串、True、False 或 None，預設值為 sklearn.utils.metadata_routing.UNCHANGED

score 中 sample_weight 參數的中繼資料路由。

返回:
self物件

更新後的物件。