BayesianRidge#

class sklearn.linear_model.BayesianRidge(*, max_iter=300, tol=0.001, alpha_1=1e-06, alpha_2=1e-06, lambda_1=1e-06, lambda_2=1e-06, alpha_init=None, lambda_init=None, compute_score=False, fit_intercept=True, copy_X=True, verbose=False)[Quelle]#

Bayes'sche Ridge-Regression.

Passen Sie ein bayessches Ridge-Modell an. Details zur Implementierung und zur Optimierung der Regularisierungsparameter lambda (Präzision der Gewichte) und alpha (Präzision des Rauschens) finden Sie im Abschnitt "Hinweise".

Lesen Sie mehr im Benutzerhandbuch. Eine intuitive Visualisierung, wie eine Sinuskurve mit einem Polynom unter Verwendung verschiedener Paare von Anfangswerten angenähert wird, finden Sie unter Kurvenanpassung mit bayesscher Ridge-Regression.

Parameter:
max_iterint, Standard=300

Maximale Anzahl von Iterationen über den gesamten Datensatz, bevor unabhängig von einem Kriterien zur frühzeitigen Beendigung gestoppt wird.

Geändert in Version 1.3.

tolfloat, Standard=1e-3

Stoppen Sie den Algorithmus, wenn w konvergiert ist.

alpha_1float, Standardwert=1e-6

Hyperparameter: Formparameter für die Gamma-Verteilung-A-priori-Verteilung für den Parameter alpha.

alpha_2float, Standardwert=1e-6

Hyperparameter: Inverser Skalenparameter (Ratenparameter) für die Gamma-Verteilung-A-priori-Verteilung für den Parameter alpha.

lambda_1float, Standardwert=1e-6

Hyperparameter: Formparameter für die Gamma-Verteilung-A-priori-Verteilung für den Parameter lambda.

lambda_2float, Standardwert=1e-6

Hyperparameter: Inverser Skalenparameter (Ratenparameter) für die Gamma-Verteilung-A-priori-Verteilung für den Parameter lambda.

alpha_initfloat, Standardwert=None

Anfangswert für alpha (Präzision des Rauschens). Wenn nicht gesetzt, ist alpha_init = 1/Var(y).

Hinzugefügt in Version 0.22.

lambda_initfloat, Standardwert=None

Anfangswert für lambda (Präzision der Gewichte). Wenn nicht gesetzt, ist lambda_init = 1.

Hinzugefügt in Version 0.22.

compute_scorebool, Standardwert=False

Wenn True, berechnen Sie die logarithmische marginale Likelihood bei jeder Iteration der Optimierung.

fit_interceptbool, Standardwert=True

Ob der Achsenabschnitt für dieses Modell berechnet werden soll. Der Achsenabschnitt wird nicht als probabilistische Größe behandelt und hat daher keine zugehörige Varianz. Wenn auf False gesetzt, wird kein Achsenabschnitt in den Berechnungen verwendet (d. h. es wird erwartet, dass die Daten zentriert sind).

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)

intercept_float

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

alpha_float

Geschätzte Präzision des Rauschens.

lambda_float

Geschätzte Präzision der Gewichte.

sigma_array-like, Form (n_features, n_features)

Geschätzte Kovarianzmatrix der Gewichte.

scores_array-like, Form (n_iter_+1,)

Wenn computed_score True ist, Wert der logarithmischen marginalen Likelihood (zu maximieren) bei jeder Iteration der Optimierung. Das Array beginnt mit dem Wert der logarithmischen marginalen Likelihood, der für die Anfangswerte von alpha und lambda erzielt wurde, und endet mit dem Wert, der für die geschätzten alpha und lambda erzielt wurde.

n_iter_int

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

X_offset_ndarray, Form (n_features,)

Wenn fit_intercept=True, abgezogener Offset zur Zentrierung der Daten auf einen Nullmittelwert. Andernfalls auf np.zeros(n_features) gesetzt.

X_scale_ndarray, Form (n_features,)

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

ARDRegression

Bayes'sche ARD-Regression.

Anmerkungen

Es gibt mehrere Strategien zur Durchführung der bayesschen Ridge-Regression. Diese Implementierung basiert auf dem Algorithmus, der in Anhang A von (Tipping, 2001) beschrieben ist, wobei die Aktualisierungen der Regularisierungsparameter wie in (MacKay, 1992) vorgeschlagen werden. Beachten Sie, dass gemäß "A New View of Automatic Relevance Determination" (Wipf und Nagarajan, 2008) diese Aktualisierungsregeln nicht garantieren, dass die marginale Likelihood zwischen zwei aufeinanderfolgenden Iterationen der Optimierung steigt.

Referenzen

D. J. C. MacKay, Bayesian Interpolation, Computation and Neural Systems, Vol. 4, No. 3, 1992.

M. E. Tipping, Sparse Bayesian Learning and the Relevance Vector Machine, Journal of Machine Learning Research, Vol. 1, 2001.

Beispiele

>>> from sklearn import linear_model
>>> clf = linear_model.BayesianRidge()
>>> clf.fit([[0,0], [1, 1], [2, 2]], [0, 1, 2])
BayesianRidge()
>>> clf.predict([[1, 1]])
array([1.])
fit(X, y, sample_weight=None)[Quelle]#

Passen Sie das Modell an.

Parameter:
Xndarray der Form (n_samples, n_features)

Trainingsdaten.

yndarray der Form (n_samples,)

Zielwerte. Wird bei Bedarf in den Datentyp von X umgewandelt.

sample_weightndarray, Form (n_samples,), Standardwert=None

Individuelle Gewichte für jede Stichprobe.

Hinzugefügt in Version 0.20: Unterstützung für den Parameter sample_weight für BayesianRidge.

Gibt zurück:
selfobject

Gibt die Instanz selbst zurück.

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.

Neben dem 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, Form (n_samples,)

Mittelwert der prädiktiven Verteilung von Abfragepunkten.

y_stdarray-like, Form (n_samples,)

Standardabweichung der Vorhersageverteilung von Abfragepunkten.

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 ((y_true - y_pred)** 2).sum() ist und \(v\) die gesamte Summe der quadrierten Abweichungen vom Mittelwert ((y_true - y_true.mean()) ** 2).sum() ist. 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, ohne die Eingabemerkmale zu berücksichtigen, 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 Aufruf von score auf einem Regressor verwendet wird, nutzt 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 = '$UNCHANGED$') → BayesianRidge[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_predict_request(*, return_std: bool | None | str = '$UNCHANGED$') → BayesianRidge[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 = '$UNCHANGED$') → BayesianRidge[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.