GammaRegressor#

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

具有 Gamma 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。

在 0.23 版本中新增。

參數:
alphafloat，預設值為 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（無共線性）。alpha 的值必須在 [0.0, inf) 範圍內。

fit_interceptbool，預設值為 True

指定是否應將常數（也稱為偏差或截距）新增至線性預測器 X @ coef_ + intercept_。

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

用於最佳化問題的演算法

‘lbfgs’

呼叫 scipy 的 L-BFGS-B 最佳化器。

‘newton-cholesky’

使用 Newton-Raphson 步驟（在任意精確算術中等同於迭代的重新加權最小平方），並搭配內部基於 Cholesky 的求解器。此求解器是 n_samples >> n_features 的良好選擇，特別是對於具有罕見類別的單熱編碼分類特徵。請注意，此求解器的記憶體使用量與 n_features 具有二次相依性，因為它會顯式計算 Hessian 矩陣。

在 1.2 版本中新增。

max_iterint，預設值為 100

求解器的最大迭代次數。值必須在 [1, inf) 範圍內。

tolfloat，預設值為 1e-4

停止準則。對於 lbfgs 求解器，當 max{|g_j|, j = 1, ..., d} <= tol 時，迭代將會停止，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，預設值為 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，預設值為 0

對於 lbfgs 求解器，將 verbose 設定為任何正數以顯示詳細資訊。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

新增至線性預測器的截距（也稱為偏差）。

n_features_in_int

在擬合期間看到的特徵數量。

在 0.24 版本中新增。

n_iter_int

求解器中使用的實際迭代次數。

feature_names_in_形狀為 (n_features_in_,) 的 ndarray

在擬合期間看到的特徵名稱。僅在 X 具有全為字串的特徵名稱時定義。

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。

TweedieRegressor

具有 Tweedie 分佈的廣義線性模型。

範例

>>> 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)[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，預設值為 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，瞭解路由機制如何運作。

返回:
routingMetadataRequest

封裝路由資訊的 MetadataRequest。

get_params(deep=True)[原始碼]#

取得此估算器的參數。

參數:
deepbool，預設值為 True

如果為 True，將會傳回此估算器和包含的子物件（為估算器）的參數。

返回:
paramsdict

對應至其值的參數名稱。

predict(X)[原始碼]#

使用具有特徵矩陣 X 的 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

傳回預測值。

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，並且可以是負數（因為模型可能會任意更差）。

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，預設值為 None

樣本權重。

返回:
scorefloat

self.predict(X) 相對於 y 的 D^2。

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

請求傳遞給 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：要求中繼資料，並在提供時傳遞給 fit。如果未提供中繼資料，則會忽略請求。

  • False：不要求中繼資料，並且 meta-estimator 不會將其傳遞給 fit。

  • None：不要求中繼資料，如果使用者提供，meta-estimator 會引發錯誤。

  • str：中繼資料應該使用此給定的別名（而不是原始名稱）傳遞給 meta-estimator。

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 版本中新增。

注意

只有當此估算器用作 meta-estimator 的子估算器時，此方法才相關，例如在 Pipeline 內部使用。否則它不會產生任何影響。

參數:
sample_weightstr、True、False 或 None，預設值 = sklearn.utils.metadata_routing.UNCHANGED

在 fit 中的 sample_weight 參數的中繼資料路由。

返回:
self物件

更新的物件。

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）。後者的參數形式為 <component>__<parameter>，因此可以更新巢狀物件的每個元件。

參數:
**paramsdict

估算器參數。

返回:
self估算器執行個體

估算器執行個體。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → GammaRegressor[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：要求中繼資料，並在提供時傳遞給 score。如果未提供中繼資料，則會忽略請求。

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

  • None：不要求中繼資料，如果使用者提供，meta-estimator 會引發錯誤。

  • str：中繼資料應該使用此給定的別名（而不是原始名稱）傳遞給 meta-estimator。

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 版本中新增。

注意

只有當此估算器用作 meta-estimator 的子估算器時，此方法才相關，例如在 Pipeline 內部使用。否則它不會產生任何影響。

參數:
sample_weightstr、True、False 或 None，預設值 = sklearn.utils.metadata_routing.UNCHANGED

在 score 中的 sample_weight 參數的中繼資料路由。

返回:
self物件

更新的物件。