TweedieRegressor#

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)[Quelle]#

Generalisiertes lineares Modell mit einer Tweedie-Verteilung.

Dieser Schätzer kann verwendet werden, um verschiedene verallgemeinerte lineare Modelle (GLMs) abhängig vom power-Parameter zu modellieren, der die zugrunde liegende Verteilung bestimmt.

Lesen Sie mehr im Benutzerhandbuch.

Hinzugefügt in Version 0.23.

Parameter:
powerfloat, Standard=0

Der Exponent bestimmt die zugrunde liegende Zielverteilung gemäß der folgenden Tabelle

Exponent

Verteilung

0

Normal

1

Poisson

(1,2)

Compound Poisson Gamma

2

Gamma

3

Inverse Gaussian

Für 0 < power < 1 existiert keine Verteilung.

alphafloat, Standard=1

Konstante, die den L2-Strafterm multipliziert und die Stärke der Regularisierung bestimmt. alpha = 0 entspricht unbestraften GLMs. In diesem Fall muss die Designmatrix X eine volle Spaltenrangigkeit haben (keine Kollinearitäten). Werte von alpha müssen im Bereich [0.0, inf) liegen.

fit_interceptbool, Standardwert=True

Gibt an, ob eine Konstante (auch Bias oder Achsenabschnitt genannt) zum linearen Prädiktor (X @ coef + intercept) hinzugefügt werden soll.

link{‘auto’, ‘identity’, ‘log’}, Standard=’auto’

Die Link-Funktion des GLM, d.h. die Abbildung vom linearen Prädiktor X @ coeff + intercept zur Vorhersage y_pred. Die Option 'auto' setzt den Link abhängig vom gewählten power-Parameter wie folgt:

  • ‘identity’ für power <= 0, z.B. für die Normalverteilung

  • ‘log’ für power > 0, z.B. für Poisson-, Gamma- und Inverse-Gaussian-Verteilungen

solver{‘lbfgs’, ‘newton-cholesky’}, Standard=’lbfgs’

Algorithmus, der im Optimierungsproblem verwendet werden soll

‘lbfgs’

Ruft den L-BFGS-B-Optimierer von SciPy auf.

‘newton-cholesky’

Verwendet Newton-Raphson-Schritte (in beliebiger Präzisionsarithmetik äquivalent zu iterativer reweighted kleinster Quadrate) mit einem internen Cholesky-basierten Löser. Dieser Löser ist eine gute Wahl für n_samples >> n_features, insbesondere mit One-Hot-kodierten kategorialen Merkmalen mit seltenen Kategorien. Beachten Sie, dass der Speicherbedarf dieses Lösers eine quadratische Abhängigkeit von n_features hat, da er die Hesse-Matrix explizit berechnet.

Hinzugefügt in Version 1.2.

max_iterint, default=100

Die maximale Anzahl von Iterationen für den Löser. Werte müssen im Bereich [1, inf) liegen.

tolfloat, Standard=1e-4

Abbruchkriterium. Für den lbfgs-Löser wird die Iteration gestoppt, wenn max{|g_j|, j = 1, ..., d} <= tol ist, wobei g_j die j-te Komponente des Gradienten (Ableitung) der Zielfunktion ist. Werte müssen im Bereich (0.0, inf) liegen.

warm_startbool, Standard=False

Wenn auf True gesetzt, wird die Lösung des vorherigen Aufrufs von fit als Initialisierung für coef_ und intercept_ wiederverwendet.

verboseint, default=0

Für den lbfgs-Löser setzen Sie verbose auf eine beliebige positive Zahl für die Ausführlichkeit. Werte müssen im Bereich [0, inf) liegen.

Attribute:
coef_array der Form (n_features,)

Geschätzte Koeffizienten für den linearen Prädiktor (X @ coef_ + intercept_) im GLM.

intercept_float

Achsenabschnitt (auch Bias genannt), der zum linearen Prädiktor hinzugefügt wird.

n_iter_int

Tatsächliche Anzahl der im Löser verwendeten Iterationen.

n_features_in_int

Anzahl der während des fits gesehenen Merkmale.

Hinzugefügt in Version 0.24.

feature_names_in_ndarray mit Form (n_features_in_,)

Namen der während fit gesehenen Merkmale. Nur definiert, wenn X Merkmalnamen hat, die alle Zeichenketten sind.

Hinzugefügt in Version 1.0.

Siehe auch

PoissonRegressor

Generalisiertes lineares Modell mit einer Poisson-Verteilung.

GammaRegressor

Generalisiertes lineares Modell mit einer Gamma-Verteilung.

Beispiele

>>> 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)[Quelle]#

Anpassen eines verallgemeinerten linearen Modells.

Parameter:
X{array-like, sparse matrix} der Form (n_samples, n_features)

Trainingsdaten.

yarray-like von Form (n_samples,)

Zielwerte.

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

Stichprobengewichte.

Gibt zurück:
selfobject

Angepasstes Modell.

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(X)[Quelle]#

Vorhersage mit GLM mit der Merkmalsmatrix X.

Parameter:
X{array-like, sparse matrix} der Form (n_samples, n_features)

Stichproben.

Gibt zurück:
y_predArray der Form (n_samples,)

Gibt vorhergesagte Werte zurück.

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

Berechnet D^2, den Prozentsatz der erklärten Devianz.

D^2 ist eine Verallgemeinerung des Bestimmtheitsmaßes R^2. R^2 verwendet den quadrierten Fehler und D^2 verwendet die Devianz dieses GLM, siehe das Benutzerhandbuch.

D^2 ist definiert als \(D^2 = 1-\frac{D(y_{true},y_{pred})}{D_{null}}\), \(D_{null}\) ist die Null-Devianz, d.h. die Devianz eines Modells nur mit Achsenabschnitt, was \(y_{pred} = \bar{y}\) entspricht. Der Mittelwert \(\bar{y}\) wird mit sample_weight gemittelt. Der bestmögliche Score ist 1.0 und er kann negativ sein (da das Modell beliebig schlechter sein kann).

Parameter:
X{array-like, sparse matrix} der Form (n_samples, n_features)

Teststichproben.

yarray-like von Form (n_samples,)

Wahre Werte des Ziels.

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

Stichprobengewichte.

Gibt zurück:
scorefloat

D^2 von self.predict(X) in Bezug auf y.

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → TweedieRegressor[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_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 = '$UNCHANGED$') → TweedieRegressor[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.