TweedieRegressor#

class sklearn.linear_model.TweedieRegressor(*, power=0.0, alpha=1.0, fit_intercept=True, link='auto', solver='lbfgs', max_iter=100, tol=0.0001, warm_start=False, verbose=0)[源代码]#

具有Tweedie分布的广义线性模型。

该估计器可用于根据不同的GLM建模 power 参数，它确定基础分布。

阅读更多的 User Guide .

Added in version 0.23.

参数:

powerfloat，默认=0

功效根据下表确定基础目标分布：

功率	分布
0	正常
1	泊松
（1，2）	复合泊松伽马
2	伽马
3	逆高斯

为 0 < power < 1 ，不存在分布。

alphafloat，默认=1

Constant that multiplies the L2 penalty term and determines the regularization strength. alpha = 0 is equivalent to unpenalized GLMs. In this case, the design matrix X must have full column rank (no collinearities). Values of alpha must be in the range [0.0, inf).

fit_intercept布尔，默认=True

指定是否为常数（又名偏差或截取）应添加到线性预测器中 (X @ coef + intercept ).

link' Auto '，' identity '，'，默认='自动'

GLM的链接函数，即线性预测器的映射 X @ coeff + intercept 到预测 y_pred .选项“Auto”根据所选的设置链接 power 参数如下：

“身份” power <= 0 ，例如，对于正态分布
“log”for power > 0 ，例如，对于Poisson、Gamma和逆高斯分布

solver' lbfgs '，' newton-sky '}，默认=' lbfgs '

优化问题中使用的算法：

“lbfgs”: 调用scipy的L-BFSG-B优化器。
“牛顿-托基”: 使用Newton-Raphson步骤（等效于迭代重新加权最小平方的任意精度算法）和基于Cholesky的内部求解器。这个求解器是一个不错的选择 n_samples >> n_features ，尤其是具有罕见类别的一热编码类别特征。请注意，此求解器的内存使用具有二次依赖性 n_features 因为它明确地计算了海森矩阵。

Added in version 1.2.

max_iterint，默认=100

求解器的最大迭代次数。值必须在范围内 [1, inf) .

tolfloat，默认= 1 e-4

停止标准。对于lbfgs求解器，迭代将在以下情况下停止 max{|g_j|, j = 1, ..., d} <= tol 哪里 g_j 是目标函数梯度（求导）的第j个分量。值必须在范围内 (0.0, inf) .

warm_start布尔，默认=假

如果设置为 True ，重复使用之前调用的解决方案 fit 作为初始化 coef_ 和 intercept_ .

verboseint，默认=0

对于lbfgs求解器，将verbose设置为任何正值，以表示详细。值必须在范围内 [0, inf) .

属性:

coef_形状数组（n_features，）: 线性预测器的估计系数 (X @ coef_ + intercept_ ）在GLM。
intercept_浮子: 拦截（又名偏差）添加到线性预测器中。
n_iter_int: 求解器中使用的实际迭代次数。
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

PoissonRegressor: 具有Poisson分布的广义线性模型。
GammaRegressor: 具有伽玛分布的广义线性模型。

示例

>>> from sklearn import linear_model
>>> clf = linear_model.TweedieRegressor()
>>> X = [[1, 2], [2, 3], [3, 4], [4, 3]]
>>> y = [2, 3.5, 5, 5.5]
>>> clf.fit(X, y)
TweedieRegressor()
>>> clf.score(X, y)
np.float64(0.839...)
>>> clf.coef_
array([0.599..., 0.299...])
>>> clf.intercept_
np.float64(1.600...)
>>> clf.predict([[1, 1], [3, 4]])
array([2.500..., 4.599...])

fit(X, y, sample_weight=None)[源代码]#

拟合广义线性模型。

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: 拟合模型。

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]#

使用具有特征矩阵X的GLM进行预测。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}: 样品

返回:

y_pred形状数组（n_samples，）: 返回预测值。

score(X, y, sample_weight=None)[源代码]#

计算D#2，解释的偏差百分比。

D#2是决定系数R#2的概括。R#2使用平方误差，D#2使用该GLM的偏差，请参阅 User Guide .

D#2定义为 $D^2 = 1-\frac{D(y_{true},y_{pred})}{D_{null}}$ , $D_{null}$ 是零偏差，即仅具有拦截的模型的偏差，对应于 $y_{pred} = \bar{y}$ .平均 $\bar{y}$ 按sample_weight求平均。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）。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}: 测试样本。
y形状类似阵列（n_samples，）: 目标的真实价值观。
sample_weight形状类似数组（n_samples，），默认=无: 样本重量。

返回:

score浮子: 自我的D ' 2。预测（X）w. rt. y.

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