ARDRegression#

class sklearn.linear_model.ARDRegression(*, max_iter=300, tol=0.001, alpha_1=1e-06, alpha_2=1e-06, lambda_1=1e-06, lambda_2=1e-06, compute_score=False, threshold_lambda=10000.0, fit_intercept=True, copy_X=True, verbose=False)[Quelle]#

Bayes'sche ARD-Regression.

Trainiert die Gewichte eines Regressionsmodells mit einem ARD-Prior. Die Gewichte des Regressionsmodells werden als Gauß-Verteilungen angenommen. Schätzt auch die Parameter lambda (Präzision der Verteilungen der Gewichte) und alpha (Präzision der Verteilung des Rauschens). Die Schätzung erfolgt durch ein iteratives Verfahren (Evidenzmaximierung).

Mehr dazu im Benutzerhandbuch.

Parameter:
max_iterint, Standard=300

Maximale Anzahl von Iterationen.

Geändert in Version 1.3.

tolfloat, Standard=1e-3

Stoppt den Algorithmus, wenn w konvergiert ist.

alpha_1float, default=1e-6

Hyperparameter: Formparameter für die Gamma-Verteilungs-Prior über den alpha-Parameter.

alpha_2float, default=1e-6

Hyperparameter: Skalenparameter (Rate-Parameter) für die Gamma-Verteilungs-Prior über den alpha-Parameter.

lambda_1float, default=1e-6

Hyperparameter: Formparameter für die Gamma-Verteilungs-Prior über den lambda-Parameter.

lambda_2float, default=1e-6

Hyperparameter: Skalenparameter (Rate-Parameter) für die Gamma-Verteilungs-Prior über den lambda-Parameter.

compute_scorebool, default=False

Wenn True, wird die Zielfunktion bei jedem Schritt des Modells berechnet.

threshold_lambdafloat, default=10 000

Schwellenwert zum Entfernen (Pruning) von Gewichten mit hoher Präzision aus der Berechnung.

fit_interceptbool, Standardwert=True

Ob für dieses Modell ein Achsenabschnitt berechnet werden soll. Wenn auf False gesetzt, wird kein Achsenabschnitt in Berechnungen verwendet (d.h. die Daten werden als zentriert erwartet).

copy_Xbool, Standardwert=True

Wenn True, wird X kopiert; andernfalls kann es überschrieben werden.

verbosebool, default=False

Verbose-Modus beim Anpassen des Modells.

Attribute:
coef_array-ähnlich der Form (n_features,)

Koeffizienten des Regressionsmodells (Mittelwert der Verteilung)

alpha_float

geschätzte Präzision des Rauschens.

lambda_array-like von Shape (n_features,)

geschätzte Präzisionen der Gewichte.

sigma_array-like von Shape (n_features, n_features)

geschätzte Varianz-Kovarianz-Matrix der Gewichte

scores_float

falls berechnet, Wert der Zielfunktion (zu maximieren)

n_iter_int

Die tatsächliche Anzahl der Iterationen, um das Abbruchkriterium zu erreichen.

Hinzugefügt in Version 1.3.

intercept_float

Unabhängiger Term in der Entscheidungsfunktion. Auf 0.0 gesetzt, wenn fit_intercept = False.

X_offset_float

Wenn fit_intercept=True, wird der Offset subtrahiert, um die Daten auf einen Mittelwert von Null zu zentrieren. Andernfalls auf np.zeros(n_features) gesetzt.

X_scale_float

Auf np.ones(n_features) gesetzt.

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

BayesianRidge

Bayes'sche Ridge-Regression.

Referenzen

D. J. C. MacKay, Bayesian nonlinear modeling for the prediction competition, ASHRAE Transactions, 1994.

R. Salakhutdinov, Lecture notes on Statistical Machine Learning, http://www.utstat.toronto.edu/~rsalakhu/sta4273/notes/Lecture2.pdf#page=15 Ihr beta ist unser self.alpha_ Ihr alpha ist unser self.lambda_ ARD unterscheidet sich geringfügig von den Folien: Nur Dimensionen/Merkmale, für die self.lambda_ < self.threshold_lambda gilt, werden beibehalten und die restlichen verworfen.

Beispiele

>>> from sklearn import linear_model
>>> clf = linear_model.ARDRegression()
>>> clf.fit([[0,0], [1, 1], [2, 2]], [0, 1, 2])
ARDRegression()
>>> clf.predict([[1, 1]])
array([1.])
fit(X, y)[Quelle]#

Trainiert das Modell entsprechend den gegebenen Trainingsdaten und Parametern.

Iteratives Verfahren zur Maximierung der Evidenz

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

Trainingsvektor, wobei n_samples die Anzahl der Stichproben und n_features die Anzahl der Merkmale ist.

yarray-like von Form (n_samples,)

Zielwerte (ganzzahlig). Werden bei Bedarf in den Datentyp von X umgewandelt.

Gibt zurück:
selfobject

Angepasster Schätzer.

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, return_std=False)[Quelle]#

Vorhersage mit dem linearen Modell.

Zusätzlich zum Mittelwert der prädiktiven Verteilung kann auch dessen Standardabweichung zurückgegeben werden.

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

Stichproben.

return_stdbool, Standard=False

Ob die Standardabweichung der Posterior-Vorhersage zurückgegeben werden soll.

Gibt zurück:
y_meanarray-like von Shape (n_samples,)

Mittelwert der prädiktiven Verteilung von Abfragepunkten.

y_stdarray-like von Shape (n_samples,)

Standardabweichung der Vorhersageverteilung von Abfragepunkten.

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

Gibt den Bestimmtheitskoeffizienten auf Testdaten zurück.

Der Bestimmungskoeffizient, \(R^2\), ist definiert als \((1 - \frac{u}{v})\), wobei \(u\) die Summe der quadrierten Residuen ist ((y_true - y_pred)** 2).sum() und \(v\) die totale Summe der Quadrate ist ((y_true - y_true.mean()) ** 2).sum(). Der beste mögliche Score ist 1,0 und er kann negativ sein (da das Modell beliebig schlechter sein kann). Ein konstantes Modell, das immer den erwarteten Wert von y vorhersagt, ohne die Eingabemerkmale zu berücksichtigen, würde einen \(R^2\)-Score von 0,0 erhalten.

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 Aufruf von score für einen Regressor verwendet wird, verwendet multioutput='uniform_average' ab Version 0.23, um konsistent mit dem Standardwert von r2_score zu bleiben. Dies beeinflusst die score-Methode aller Multioutput-Regressoren (mit Ausnahme von MultiOutputRegressor).

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_predict_request(*, return_std: bool | None | str = '$UNCHANGED$') → ARDRegression[Quelle]#

Konfiguriert, ob Metadaten für die predict-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 predict weitergegeben. Die Anforderung wird ignoriert, wenn keine Metadaten bereitgestellt werden.

  • False: Metadaten werden nicht angefordert und die Meta-Schätzung übergibt sie nicht an predict.

  • 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:
return_stdstr, True, False oder None, Standard=sklearn.utils.metadata_routing.UNCHANGED

Metadaten-Routing für den Parameter return_std in predict.

Gibt zurück:
selfobject

Das aktualisierte Objekt.

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → ARDRegression[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.