sklearn.linear_model

Eine Vielzahl von linearen Modellen.

Benutzerhandbuch. Weitere Details finden Sie im Abschnitt Lineare Modelle.

Die folgenden Unterabschnitte sind nur grobe Richtlinien: Derselbe Schätzer kann je nach seinen Parametern in mehrere Kategorien fallen.

Lineare Klassifikatoren

LogisticRegression	Logistische Regression (auch bekannt als Logit, MaxEnt) Klassifikator.
LogisticRegressionCV	Logistische Regression CV (auch bekannt als Logit, MaxEnt) Klassifikator.
PassiveAggressiveClassifier	Passiver aggressiver Klassifikator.
Perceptron	Linearer Perzeptron-Klassifikator.
RidgeClassifier	Klassifikator mittels Ridge-Regression.
RidgeClassifierCV	Ridge-Klassifikator mit integrierter Kreuzvalidierung.
SGDClassifier	Lineare Klassifikatoren (SVM, logistische Regression, etc.) mit SGD-Training.
SGDOneClassSVM	Löst lineare One-Class-SVM mit stochastischem Gradientenabstieg.

Klassische lineare Regressoren

LinearRegression	Normales Kleinste-Quadrate-Linearmodell.
Ridge	Lineare Kleinste-Quadrate mit l2-Regularisierung.
RidgeCV	Ridge-Regression mit integrierter Kreuzvalidierung.
SGDRegressor	Lineares Modell, das durch Minimierung eines regularisierten empirischen Verlusts mit SGD angepasst wird.

Regressoren mit Variablenselektion

Die folgenden Schätzer verfügen über integrierte Fitting-Verfahren zur Variablenselektion, aber jeder Schätzer, der eine L1- oder Elastic-Net-Strafe verwendet, führt ebenfalls eine Variablenselektion durch: typischerweise SGDRegressor oder SGDClassifier mit einer geeigneten Strafe.

ElasticNet	Lineares Modell mit kombinierter L1- und L2-Prior als Regularisator.
ElasticNetCV	Elastic Net Modell mit iterativem Anpassen entlang eines Regularisierungspfades.
Lars	Least Angle Regression Modell auch bekannt als.
LarsCV	Kreuzvalidiertes Least Angle Regression Modell.
Lasso	Lineares Modell, trainiert mit L1-Prior als Regularisator (auch bekannt als Lasso).
LassoCV	Lasso-Linearmodell mit iterativem Anpassen entlang eines Regularisierungspfades.
LassoLars	Lasso-Modell, angepasst mit Least Angle Regression auch bekannt als.
LassoLarsCV	Kreuzvalidiertes Lasso unter Verwendung des LARS-Algorithmus.
LassoLarsIC	Lasso-Modell, angepasst mit Lars, unter Verwendung von BIC oder AIC zur Modellauswahl.
OrthogonalMatchingPursuit	Orthogonal Matching Pursuit Modell (OMP).
OrthogonalMatchingPursuitCV	Kreuzvalidiertes Orthogonal Matching Pursuit Modell (OMP).

Bayessche Regressoren

ARDRegression	Bayes'sche ARD-Regression.
BayesianRidge	Bayes'sche Ridge-Regression.

Multi-Task-Linear-Regressoren mit Variablenselektion

Diese Schätzer passen mehrere Regressionsprobleme (oder Aufgaben) gemeinsam an und induzieren dabei dünne Koeffizienten. Während die abgeleiteten Koeffizienten zwischen den Aufgaben variieren können, sind sie so eingeschränkt, dass sie sich bei den ausgewählten Merkmalen (nicht-Null-Koeffizienten) einig sind.

MultiTaskElasticNet	Multi-Task ElasticNet Modell, trainiert mit L1/L2 Mixed-Norm als Regularisator.
MultiTaskElasticNetCV	Multi-Task L1/L2 ElasticNet mit integrierter Kreuzvalidierung.
MultiTaskLasso	Multi-Task Lasso Modell, trainiert mit L1/L2 Mixed-Norm als Regularisator.
MultiTaskLassoCV	Multi-Task Lasso Modell, trainiert mit L1/L2 Mixed-Norm als Regularisator.

Ausreißer-robuste Regressoren

Jeder Schätzer, der die Huber-Verlustfunktion verwendet, wäre ebenfalls robust gegenüber Ausreißern, z. B. SGDRegressor mit loss='huber'.

HuberRegressor	L2-regularisiertes lineares Regressionsmodell, das robust gegenüber Ausreißern ist.
QuantileRegressor	Lineares Regressionsmodell, das bedingte Quantile vorhersagt.
RANSACRegressor	RANSAC (RANdom SAmple Consensus) Algorithmus.
TheilSenRegressor	Theil-Sen Estimator: robuster multivariater Regressionsmodell.

Generalisierte lineare Modelle (GLM) für Regression

Diese Modelle erlauben es, dass Antwortvariablen andere Fehlerverteilungen als eine Normalverteilung aufweisen.

GammaRegressor	Generalisiertes lineares Modell mit einer Gamma-Verteilung.
PoissonRegressor	Generalisiertes lineares Modell mit einer Poisson-Verteilung.
TweedieRegressor	Generalisiertes lineares Modell mit einer Tweedie-Verteilung.

Sonstiges

PassiveAggressiveRegressor	Passiver aggressiver Regressor.
enet_path	Berechnet den Elastic Net-Pfad mit Koordinatenabstieg.
lars_path	Berechnet den Least Angle Regression oder Lasso-Pfad mit dem LARS-Algorithmus.
lars_path_gram	Der lars_path im Modus der ausreichenden Statistiken.
lasso_path	Berechnet den Lasso-Pfad mit Koordinatenabstieg.
orthogonal_mp	Orthogonal Matching Pursuit (OMP).
orthogonal_mp_gram	Gram Orthogonal Matching Pursuit (OMP).
ridge_regression	Löst die Ridge-Gleichung nach der Methode der Normalgleichungen.