IsotonicRegression#

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

等张回归模型。

阅读更多的 User Guide .

Added in version 0.13.

参数:

y_minfloat，默认=无

最低预测值的下限（最小值可能仍然更高）。如果未设置，默认为-inf。

y_maxfloat，默认=无

最高预测值的上限（最大值可能仍然更低）。如果未设置，默认为+inf。

increasingbool或'auto'，默认值=True

确定预测是否应限制为增加或减少 X .“Auto”将根据Spearman相关性估计的符号来决定。

out_of_bounds' nan '，' clip '，'，' raise '，默认=' nan '

如何处理 X 在预测期间处理训练域之外的值。

“南”，预测将是NaN。
“剪辑”，预测将被设置为与最近的列车间隔终点对应的值。
“提高”，a ValueError 被提出。

属性:

X_min_浮子: 输入数组的最小值 X_ 对于左飞。
X_max_浮子: 输入数组的最大值 X_ 用于右转。
X_thresholds_形状的nd数组（n_thields，）: Unique ascending X values used to interpolate the y = f(X) monotonic function.

Added in version 0.24.
y_thresholds_形状的nd数组（n_thields，）: 消除重复 y 适合内插y = f（X）单调函数的值。

Added in version 0.24.
f_功能: 覆盖输入域的逐步内插函数 X .
increasing_bool: 推断价值 increasing .

参见

sklearn.linear_model.LinearRegression: 普通最小平方线性回归。
sklearn.ensemble.HistGradientBoostingRegressor: 梯度提升是一种接受单调性约束的非参数模型。
isotonic_regression: 函数求解保序回归模型。

注意到

使用de Leeuw（1977年）的第二种方法打破关系。

引用

等序中位数回归：线性规划方法Nilotpal Chakravarti《运筹学数学》第14卷，第2期（1989年5月），pp。303-308

R中的同工同调优化：池邻近违规者算法（PAVA）和活动集方法de Leeuw，Hornik，Mair Journal of Statistical Software 2009

Kruskal的单调回归算法的正确性与关系de Leeuw，心理测量学，1977年

示例

>>> 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)[源代码]#

使用X，y作为训练数据来匹配模型。

参数:

X形状为（n_samples，）或（n_samples，1）的类数组: 训练数据。

在 0.24 版本发生变更: 还接受具有1个特征的2D数组。
y形状类似阵列（n_samples，）: 培训目标。
sample_weight形状类似数组（n_samples，），默认=无: 权重如果设置为无，所有权重将设置为1（相等权重）。

返回:

self对象: 返回自我的实例。

注意到

X被存储以供将来使用，作为 transform 需要X来内插新的输入数据。

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

适应数据，然后对其进行转换。

适合变压器 X 和 y 具有可选参数 fit_params 并返回的转换版本 X .

参数:

X形状类似阵列（n_samples，n_features）: 输入样本。
y形状为（n_samples，）或（n_samples，n_outputs）的阵列状，默认值=无: 目标值（无监督转换）。
**fit_paramsdict: 其他适合参数。

返回:

X_newndray形状数组（n_samples，n_features_new）: 变形的数组。

get_feature_names_out(input_features=None)[源代码]#

获取用于转换的输出要素名称。

参数:

input_features字符串或无的类数组，默认=无: 忽视

返回:

feature_names_out字符串对象的nd数组: An ndarray with one string i.e. ["isotonicregression0"].

get_metadata_routing()[源代码]#

获取此对象的元数据路由。

请检查 User Guide 关于路由机制如何工作。

返回:

routingMetadataRequest: A MetadataRequest 封装路由信息。

get_params(deep=True)[源代码]#

获取此估计器的参数。

参数:

deep布尔，默认=True: 如果为True，将返回此估计量和包含的作为估计量的子对象的参数。

返回:

paramsdict: 参数名称映射到其值。

predict(T)[源代码]#

通过线性插值预测新数据。

参数:

T形状为（n_samples，）或（n_samples，1）的类数组: 数据转换。

返回:

y_pred形状的nd数组（n_samples，）: 转换的数据。

score(X, y, sample_weight=None)[源代码]#

返回预测的决定系数。

决定系数 $R^2$ 被定义为 $(1 - \frac{u}{v})$ ，在哪里 $u$ 是残差平方和 ((y_true - y_pred)** 2).sum() 和 $v$ 是平方总和 ((y_true - y_true.mean()) ** 2).sum() .最好的可能分数是1.0，并且可以是负的（因为模型可以任意更差）。始终预测的期望值的恒定模型 y 如果不考虑输入功能，就会得到 $R^2$ 评分0.0。

参数:

X形状类似阵列（n_samples，n_features）: Test samples. For some estimators this may be a precomputed kernel matrix or a list of generic objects instead with shape (n_samples, n_samples_fitted), where n_samples_fitted is the number of samples used in the fitting for the estimator.
y形状的类似阵列（n_samples，）或（n_samples，n_outputs）: 真正的价值观 X .
sample_weight形状类似数组（n_samples，），默认=无: 样本重量。

返回:

score浮子: $R^2$ 的 self.predict(X) w.r.t. y .

注意到

的 $R^2$ 呼叫时使用的分数 score 在回归器上使用 multioutput='uniform_average' 从0.23版本开始，与默认值保持一致 r2_score .这影响了 score 所有多输出回归器的方法（除了 MultiOutputRegressor ).

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

请求元数据传递给 fit 法

请注意，此方法仅适用于以下情况 enable_metadata_routing=True （见 sklearn.set_config ).请参阅 User Guide 关于路由机制如何工作。

The options for each parameter are:

True ：元数据被请求并传递给 fit 如果提供的话。如果未提供元数据，则会忽略请求。
False ：未请求元数据，元估计器不会将其传递给 fit .
None ：不请求元数据，如果用户提供元估计器，则元估计器将引发错误。
str ：元数据应通过此给定别名而不是原始名称传递给元估计器。

默认 (sklearn.utils.metadata_routing.UNCHANGED ）保留现有请求。这允许您更改某些参数的请求，而不是其他参数。

Added in version 1.3.

备注

只有当该估计器用作元估计器的子估计器时，该方法才相关，例如在 Pipeline .否则就没有效果了。

参数:

sample_weight字符串、真、假或无，默认=sklearn.utils. metalics_Routing.UNChanged: 元数据路由 sample_weight 参数 fit .

返回:

self对象: 更新的对象。

set_output(*, transform=None)[源代码]#

设置输出容器。

看到介绍 set_output API 了解如何使用API的示例。

参数:

transform{“默认”，“pandas”，“polars”}，默认=无

配置输出 transform 和 fit_transform .

"default" ：Transformer的默认输出格式
"pandas" ：DataFrame输出
"polars" ：两极输出
None ：转换配置不变

Added in version 1.4: "polars" 添加了选项。

返回:

self估计器实例: 估计实例。

set_params(**params)[源代码]#

设置此估计器的参数。

该方法适用于简单估计器以及嵌套对象（例如 Pipeline ).后者具有以下形式的参数 <component>__<parameter> 以便可以更新嵌套对象的每个组件。

参数:

**paramsdict: 估计参数。

返回:

self估计器实例: 估计实例。

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

请求元数据传递给 score 法

请注意，此方法仅适用于以下情况 enable_metadata_routing=True （见 sklearn.set_config ).请参阅 User Guide 关于路由机制如何工作。

The options for each parameter are:

True ：元数据被请求并传递给 score 如果提供的话。如果未提供元数据，则会忽略请求。
False ：未请求元数据，元估计器不会将其传递给 score .
None ：不请求元数据，如果用户提供元估计器，则元估计器将引发错误。
str ：元数据应通过此给定别名而不是原始名称传递给元估计器。

默认 (sklearn.utils.metadata_routing.UNCHANGED ）保留现有请求。这允许您更改某些参数的请求，而不是其他参数。

Added in version 1.3.

备注

只有当该估计器用作元估计器的子估计器时，该方法才相关，例如在 Pipeline .否则就没有效果了。

参数:

sample_weight字符串、真、假或无，默认=sklearn.utils. metalics_Routing.UNChanged: 元数据路由 sample_weight 参数 score .

返回:

self对象: 更新的对象。

transform(T)[源代码]#

通过线性插值转换新数据。

参数:

T形状为（n_samples，）或（n_samples，1）的类数组: 数据转换。

在 0.24 版本发生变更: 还接受具有1个特征的2D数组。

返回:

y_pred形状的nd数组（n_samples，）: 转换后的数据。