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)[源代码]#

Bayesian ARD回归。

使用ARD先验来匹配回归模型的权重。假设回归模型的权重呈高斯分布。还要估计参数lambda（权重分布的精确度）和Alpha（噪音分布的精确度）。估计是通过迭代程序（证据最大化）完成的

阅读更多的 User Guide .

参数:

max_iterint，默认=300: 最大迭代次数。

在 1.3 版本发生变更.
tol浮点数，默认值= 1 e-3: 如果w已经收敛，则停止算法。
alpha_1float，默认= 1 e-6: 超参数：Gamma分布的形状参数优先于Alpha参数。
alpha_2float，默认= 1 e-6: 超参数：Gamma分布优先于Alpha参数的反比例参数（速率参数）。
lambda_1float，默认= 1 e-6: 超参数：Gamma分布的形状参数优先于Lambda参数。
lambda_2float，默认= 1 e-6: 超参数：Gamma分布的逆比例参数（速率参数）高于Lambda参数。
compute_score布尔，默认=假: 如果为True，则计算模型每个步骤的目标函数。
threshold_lambdafloat, default=10 000: 用于从计算中以高精度删除（修剪）权重的阈值。
fit_intercept布尔，默认=True: 是否计算此模型的拦截。如果设置为假，则计算中不会使用任何拦截（即数据预计居中）。
copy_X布尔，默认=True: 如果为True，X将被复制;否则，可能会被覆盖。
verbose布尔，默认=假: 装配模型时的详细模式。

属性:

coef_形状类似阵列（n_features，）: 回归模型的系数（分布平均值）
alpha_浮子: 估计噪音的精确度。
lambda_形状类似阵列（n_features，）: 估计权重的精确度。
sigma_形状类似阵列（n_features，n_features）: 估计的权重方差-协方差矩阵
scores_浮子: 如果计算，目标函数的值（待最大化）
n_iter_int: 达到停止标准的实际迭代次数。

Added in version 1.3.
intercept_浮子: 决策功能中的独立项。设置为0.0，如果 fit_intercept = False .
X_offset_浮子: 如果 fit_intercept=True ，减去将数据居中至零均值的偏差。否则设置为mp.zeros（n_features）。
X_scale_浮子: 设置为np.ones（n_features）。
n_features_in_int: 期间看到的功能数量 fit .

Added in version 0.24.
feature_names_in_ ：nd形状数组 (n_features_in_ ,)nd数组形状（: Names of features seen during fit. Defined only when X has feature names that are all strings.

Added in version 1.0.

参见

BayesianRidge: 贝氏岭回归。

注意到

有关示例，请参阅 examples/linear_model/plot_ard.py .

引用

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 Their beta is our self.alpha_ Their alpha is our self.lambda_ ARD is a little different than the slide: only dimensions/features for which self.lambda_ < self.threshold_lambda are kept and the rest are discarded.

示例

>>> 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)[源代码]#

根据给定的训练数据和参数对模型进行匹配。

迭代程序以最大化证据

参数:

X形状类似阵列（n_samples，n_features）: 训练载体，在哪里 n_samples 是样本数量和 n_features 是功能的数量。
y形状类似阵列（n_samples，）: 目标值（integer）。如有必要，将被转换为X的d类型。

返回:

self对象: 拟合估计量。

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(X, return_std=False)[源代码]#

Predict using the linear model.

除了预测分布的平均值外，还可以返回其标准差。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}: 样品
return_std布尔，默认=假: 是否返回后验预测的标准差。

返回:

y_mean形状类似阵列（n_samples，）: 查询点预测分布的平均值。
y_std形状类似阵列（n_samples，）: 查询点预测分布的标准差。

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

请求元数据传递给 predict 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 predict 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 predict .
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:

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

返回:

self对象: 更新的对象。

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