IsotonicRegression#

class sklearn.isotonic.IsotonicRegression(*, y_min=None, y_max=None, increasing=True, out_of_bounds='nan')[Quelle]#

Isotonischer Regressionsmodell.

Lesen Sie mehr im Benutzerhandbuch.

Hinzugefügt in Version 0.13.

Parameter:
y_minfloat, Standard=None

Untere Schranke für den niedrigsten vorhergesagten Wert (der Mindestwert kann immer noch höher sein). Wenn nicht gesetzt, wird standardmäßig -inf verwendet.

y_maxfloat, Standard=None

Obere Schranke für den höchsten vorhergesagten Wert (das Maximum kann immer noch niedriger sein). Wenn nicht gesetzt, wird standardmäßig +inf verwendet.

increasingbool oder ‘auto’, Standard=True

Bestimmt, ob die Vorhersagen mit X zunehmen oder abnehmen sollen. 'auto' entscheidet basierend auf dem Vorzeichen der Spearman-Korrelationsschätzung.

out_of_bounds{‘nan’, ‘clip’, ‘raise’}, Standard=’nan’

Legt fest, wie X-Werte außerhalb der Trainingsdomäne während der Vorhersage behandelt werden.

  • ‘nan’, Vorhersagen werden NaN sein.

  • ‘clip’, Vorhersagen werden auf den Wert gesetzt, der dem nächstgelegenen Endpunkt des Trainingsintervalls entspricht.

  • ‘raise’, ein ValueError wird ausgelöst.

Attribute:
X_min_float

Minimaler Wert des Eingabearrays X_ für die linke Grenze.

X_max_float

Maximaler Wert des Eingabearrays X_ für die rechte Grenze.

X_thresholds_ndarray der Form (n_thresholds,)

Eindeutige aufsteigende X-Werte, die zur Interpolation der monotonen Funktion y = f(X) verwendet werden.

Hinzugefügt in Version 0.24.

y_thresholds_ndarray der Form (n_thresholds,)

Entduplizierte y-Werte, die zur Interpolation der monotonen Funktion y = f(X) geeignet sind.

Hinzugefügt in Version 0.24.

f_function

Die stückweise interpolierende Funktion, die die Eingabedomäne X abdeckt.

increasing_bool

Abgeleiteter Wert für increasing.

Siehe auch

sklearn.linear_model.LinearRegression

Normales Kleinste-Quadrate-Linearmodell.

sklearn.ensemble.HistGradientBoostingRegressor

Gradient Boosting, ein nicht-parametrisches Modell, das Monotonie-Beschränkungen akzeptiert.

isotonic_regression

Funktion zur Lösung des Isotonischen Regressionsmodells.

Anmerkungen

Gleichstände werden mit der sekundären Methode von de Leeuw, 1977 gebrochen.

Referenzen

Isotonic Median Regression: A Linear Programming Approach Nilotpal Chakravarti Mathematics of Operations Research Vol. 14, No. 2 (Mai, 1989), S. 303-308

Isotone Optimization in R : Pool-Adjacent-Violators Algorithm (PAVA) and Active Set Methods de Leeuw, Hornik, Mair Journal of Statistical Software 2009

Correctness of Kruskal’s algorithms for monotone regression with ties de Leeuw, Psychometrica, 1977

Beispiele

>>> from sklearn.datasets import make_regression
>>> from sklearn.isotonic import IsotonicRegression
>>> X, y = make_regression(n_samples=10, n_features=1, random_state=41)
>>> iso_reg = IsotonicRegression().fit(X, y)
>>> iso_reg.predict([.1, .2])
array([1.8628, 3.7256])
fit(X, y, sample_weight=None)[Quelle]#

Trainiert das Modell mit X, y als Trainingsdaten.

Parameter:
Xarray-ähnlich der Form (n_samples,) oder (n_samples, 1)

Trainingsdaten.

Geändert in Version 0.24: Akzeptiert auch 2D-Arrays mit 1 Merkmal.

yarray-like von Form (n_samples,)

Zieltriche.

sample_weightarray-like der Form (n_samples,), Standardwert=None

Gewichte. Wenn auf None gesetzt, werden alle Gewichte auf 1 gesetzt (gleiche Gewichte).

Gibt zurück:
selfobject

Gibt eine Instanz von self zurück.

Anmerkungen

X wird für zukünftige Verwendung gespeichert, da transform X benötigt, um neue Eingabedaten zu interpolieren.

fit_transform(X, y=None, **fit_params)[Quelle]#

An Daten anpassen, dann transformieren.

Passt den Transformer an X und y mit optionalen Parametern fit_params an und gibt eine transformierte Version von X zurück.

Parameter:
Xarray-like der Form (n_samples, n_features)

Eingabestichproben.

yarray-like der Form (n_samples,) oder (n_samples, n_outputs), Standardwert=None

Zielwerte (None für unüberwachte Transformationen).

**fit_paramsdict

Zusätzliche Fit-Parameter. Nur übergeben, wenn der Estimator zusätzliche Parameter in seiner fit-Methode akzeptiert.

Gibt zurück:
X_newndarray array der Form (n_samples, n_features_new)

Transformiertes Array.

get_feature_names_out(input_features=None)[Quelle]#

Holt die Ausgabemerkmale für die Transformation.

Parameter:
input_featuresarray-like von str oder None, default=None

Ignoriert.

Gibt zurück:
feature_names_outndarray von str-Objekten

Ein ndarray mit einer Zeichenkette, d.h. [„isotonicregression0“].

get_metadata_routing()[Quelle]#

Holt das Metadaten-Routing dieses Objekts.

Bitte prüfen Sie im Benutzerhandbuch, wie der Routing-Mechanismus funktioniert.

Gibt zurück:
routingMetadataRequest

Ein MetadataRequest, der Routing-Informationen kapselt.

get_params(deep=True)[Quelle]#

Holt Parameter für diesen Schätzer.

Parameter:
deepbool, default=True

Wenn True, werden die Parameter für diesen Schätzer und die enthaltenen Unterobjekte, die Schätzer sind, zurückgegeben.

Gibt zurück:
paramsdict

Parameternamen, zugeordnet ihren Werten.

predict(T)[Quelle]#

Vorhersage neuer Daten durch lineare Interpolation.

Parameter:
Tarray-ähnlich der Form (n_samples,) oder (n_samples, 1)

Zu transformierende Daten.

Gibt zurück:
y_predndarray von Form (n_samples,)

Transformierte Daten.

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

Gibt den Bestimmtheitskoeffizienten auf Testdaten zurück.

Der Bestimmtheitskoeffizient \(R^2\) ist definiert als \((1 - \frac{u}{v})\), wobei \(u\) die Summe der quadrierten Residuen ist ((y_true - y_pred)** 2).sum() und \(v\) die Summe der gesamten Quadrate ist ((y_true - y_true.mean()) ** 2).sum(). Der bestmögliche Score ist 1.0 und kann negativ sein (da das Modell beliebig schlechter sein kann). Ein konstantes Modell, das immer den Erwartungswert von y vorhersagt, unabhängig von den Eingabemerkmalen, würde einen \(R^2\)-Score von 0.0 erzielen.

Parameter:
Xarray-like der Form (n_samples, n_features)

Teststichproben. Für einige Schätzer kann dies eine vorab berechnete Kernelmatrix oder eine Liste von generischen Objekten sein, stattdessen mit der Form (n_samples, n_samples_fitted), wobei n_samples_fitted die Anzahl der für die Anpassung des Schätzers verwendeten Stichproben ist.

yarray-like der Form (n_samples,) oder (n_samples, n_outputs)

Wahre Werte für X.

sample_weightarray-like der Form (n_samples,), Standardwert=None

Stichprobengewichte.

Gibt zurück:
scorefloat

\(R^2\) von self.predict(X) bezogen auf y.

Anmerkungen

Der \(R^2\)-Score, der beim Aufrufen von score für einen Regressor verwendet wird, verwendet ab Version 0.23 `multioutput='uniform_average'`, um konsistent mit dem Standardwert von r2_score zu bleiben. Dies beeinflusst die score-Methode aller Multioutput-Regressoren (außer MultiOutputRegressor).

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → IsotonicRegression[Quelle]#

Konfiguriert, ob Metadaten für die fit-Methode angefordert werden sollen.

Beachten Sie, dass diese Methode nur relevant ist, wenn dieser Schätzer als Unter-Schätzer innerhalb eines Meta-Schätzers verwendet wird und Metadaten-Routing mit enable_metadata_routing=True aktiviert ist (siehe sklearn.set_config). Bitte lesen Sie das Benutzerhandbuch, um zu erfahren, wie der Routing-Mechanismus funktioniert.

Die Optionen für jeden Parameter sind

  • True: Metadaten werden angefordert und, falls vorhanden, an fit übergeben. Die Anforderung wird ignoriert, wenn keine Metadaten vorhanden sind.

  • False: Metadaten werden nicht angefordert und der Meta-Schätzer übergibt sie nicht an fit.

  • None: Metadaten werden nicht angefordert und der Meta-Schätzer löst einen Fehler aus, wenn der Benutzer sie bereitstellt.

  • str: Metadaten sollten mit diesem Alias an den Meta-Schätzer übergeben werden und nicht mit dem ursprünglichen Namen.

Der Standardwert (sklearn.utils.metadata_routing.UNCHANGED) behält die bestehende Anforderung bei. Dies ermöglicht es Ihnen, die Anforderung für einige Parameter zu ändern und für andere nicht.

Hinzugefügt in Version 1.3.

Parameter:
sample_weightstr, True, False, oder None, Standardwert=sklearn.utils.metadata_routing.UNCHANGED

Metadaten-Routing für den Parameter sample_weight in fit.

Gibt zurück:
selfobject

Das aktualisierte Objekt.

set_output(*, transform=None)[Quelle]#

Ausgabecontainer festlegen.

Siehe Einführung in die set_output API für ein Beispiel zur Verwendung der API.

Parameter:
transform{“default”, “pandas”, “polars”}, default=None

Konfiguriert die Ausgabe von transform und fit_transform.

  • "default": Standardausgabeformat eines Transformers

  • "pandas": DataFrame-Ausgabe

  • "polars": Polars-Ausgabe

  • None: Die Transformationskonfiguration bleibt unverändert

Hinzugefügt in Version 1.4: Die Option "polars" wurde hinzugefügt.

Gibt zurück:
selfestimator instance

Schätzer-Instanz.

set_params(**params)[Quelle]#

Setzt die Parameter dieses Schätzers.

Die Methode funktioniert sowohl bei einfachen Schätzern als auch bei verschachtelten Objekten (wie Pipeline). Letztere haben Parameter der Form <component>__<parameter>, so dass es möglich ist, jede Komponente eines verschachtelten Objekts zu aktualisieren.

Parameter:
**paramsdict

Schätzer-Parameter.

Gibt zurück:
selfestimator instance

Schätzer-Instanz.

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → IsotonicRegression[Quelle]#

Konfiguriert, ob Metadaten für die score-Methode angefordert werden sollen.

Beachten Sie, dass diese Methode nur relevant ist, wenn dieser Schätzer als Unter-Schätzer innerhalb eines Meta-Schätzers verwendet wird und Metadaten-Routing mit enable_metadata_routing=True aktiviert ist (siehe sklearn.set_config). Bitte lesen Sie das Benutzerhandbuch, um zu erfahren, wie der Routing-Mechanismus funktioniert.

Die Optionen für jeden Parameter sind

  • True: Metadaten werden angefordert und, falls vorhanden, an score übergeben. Die Anforderung wird ignoriert, wenn keine Metadaten vorhanden sind.

  • False: Metadaten werden nicht angefordert und der Meta-Schätzer übergibt sie nicht an score.

  • None: Metadaten werden nicht angefordert und der Meta-Schätzer löst einen Fehler aus, wenn der Benutzer sie bereitstellt.

  • str: Metadaten sollten mit diesem Alias an den Meta-Schätzer übergeben werden und nicht mit dem ursprünglichen Namen.

Der Standardwert (sklearn.utils.metadata_routing.UNCHANGED) behält die bestehende Anforderung bei. Dies ermöglicht es Ihnen, die Anforderung für einige Parameter zu ändern und für andere nicht.

Hinzugefügt in Version 1.3.

Parameter:
sample_weightstr, True, False, oder None, Standardwert=sklearn.utils.metadata_routing.UNCHANGED

Metadaten-Routing für den Parameter sample_weight in score.

Gibt zurück:
selfobject

Das aktualisierte Objekt.

transform(T)[Quelle]#

Transformiere neue Daten durch lineare Interpolation.

Parameter:
Tarray-ähnlich der Form (n_samples,) oder (n_samples, 1)

Zu transformierende Daten.

Geändert in Version 0.24: Akzeptiert auch 2D-Arrays mit 1 Merkmal.

Gibt zurück:
y_predndarray von Form (n_samples,)

Die transformierten Daten.