QuantileRegressor#

class sklearn.linear_model.QuantileRegressor(*, quantile=0.5, alpha=1.0, fit_intercept=True, solver='highs', solver_options=None)[源代码]#

预测条件分位数的线性回归模型。

线性 QuantileRegressor 优化弹球损失以达到所需 quantile 并且对离群值具有稳健性。

该模型使用L1正则化，如 Lasso .

阅读更多的 User Guide .

Added in version 1.0.

参数:

quantile浮点数，默认值=0.5

模型尝试预测的分位数。它必须严格介于0和1之间。如果为0.5（默认），则模型预测50%分位数，即中位数。

alphafloat，默认=1.0

乘以L1罚项的正规化常数。

fit_intercept布尔，默认=True

是否符合拦截。

solver“highs-ds”、“highs-ipm”、“highs-point”、“highs-point”、 “修订后的simple”}，默认=“highs”

方法提出 scipy.optimize.linprog 求解线性规划公式。

建议使用High方法，因为它们是最快的方法。解算器“highs-ds”、“highs-ipm”和“highs”支持稀疏输入数据，事实上，始终转换为稀疏CSC。

从 scipy>=1.11.0 ，“走廊点”不再可用。

在 1.4 版本发生变更: 违约 solver 改为 "highs" 在1.4版本中。

solver_optionsdict，默认=无

其他参数传递给 scipy.optimize.linprog 作为选项。如果 None 如果 solver='interior-point' 那么 {"lstsq": True} 被传递到 scipy.optimize.linprog 为了稳定。

属性:

coef_形状数组（n_features，）: 要素的估计系数。
intercept_浮子: 模型的截取，又名偏差项。
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.
n_iter_int: 求解器执行的实际迭代次数。

参见

Lasso: Lasso是一个线性模型，通过l1正规化估计稀疏系数。
HuberRegressor: 对异常值稳健的线性回归模型。

示例

>>> from sklearn.linear_model import QuantileRegressor
>>> import numpy as np
>>> n_samples, n_features = 10, 2
>>> rng = np.random.RandomState(0)
>>> y = rng.randn(n_samples)
>>> X = rng.randn(n_samples, n_features)
>>> # the two following lines are optional in practice
>>> from sklearn.utils.fixes import sp_version, parse_version
>>> reg = QuantileRegressor(quantile=0.8).fit(X, y)
>>> np.mean(y <= reg.predict(X))
np.float64(0.8)

fit(X, y, sample_weight=None)[源代码]#

根据给定的训练数据对模型进行匹配。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}: 训练数据。
y形状类似阵列（n_samples，）: 目标值。
sample_weight形状类似数组（n_samples，），默认=无: 样本重量。

返回:

self对象: 返回自我。

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)[源代码]#

Predict using the linear model.

参数:

X类阵列或稀疏矩阵，形状（n_samples，n_features）: 样品

返回:

C数组，形状（n_samples，）: 返回预测值。

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 = '$UNCHANGED$') → QuantileRegressor[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_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 = '$UNCHANGED$') → QuantileRegressor[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。