sklearn.linear_model.GammaRegressor¶

class sklearn.linear_model.GammaRegressor(*, alpha=1.0, fit_intercept=True, max_iter=100, tol=0.0001, warm_start=False, verbose=0)

具有Gamma分布的广义线性模型。

在用户指南中阅读更多内容。

参数	说明
alpha	float, default=1 该常数乘以惩罚项，从而确定正则化强度。`alpha = 0`等同于未惩罚的GLM。在这种情况下，设计矩阵`X`必须具有全列秩（无共线性）。
fit_intercept	bool, default=True 指定是否将常数（即，偏置或截距）添加到线性预测模型（X @ coef +截距）。
max_iter	int, default=100 求解器的最大迭代次数。
tol	float, default=1e-4 停止标准。对于lbfgs求解器，当`max{g_j,j = 1, ..., d} <= tol`，其中`g_j`为目标函数的梯度（导数）的第j个分量，迭代将停止。
warm_start	bool, default=False 如果设置为`True`，重用前面调用的解决方案进行`fit`,作为`coef_`和`intercept_`的初始化。
verbose	int, default=0 对于lbfgs求解器，请将verbose设置为代表详细程度的任何正数。

属性	说明
coef_	array of shape (n_features,) GLM中线性预测模型（`X @ coef_ + intercept_`）的估计系数。
intercept_	float 已添加到线性预测模型中的截距（又称偏置）。
n_iter_	int 求解器中使用的实际迭代数。

__init__(*, alpha=1.0, fit_intercept=True, max_iter=100, tol=0.0001, warm_start=False, verbose=0)

初始化self，请参阅help(type(self))以获得准确的说明。

fit(X, y, sample_weight=None)

拟合广义线性模型。

参数	说明
X	{array-like, sparse matrix} of shape (n_samples, n_features) 训练数据。
y	array-like of shape (n_samples,) 目标值。
sample_weight	array-like of shape (n_samples,), default=None 样本权重

返回值	说明
self	returns an instance of self.

get_params(deep=True)

获取此估计器的参数。

参数	说明
deep	bool, default=True 如果为True，则将返回此估算器和所包含子对象的参数。

返回值	说明
params	mapping of string to any 参数名称映射到其值。

predict(X)

使用GLM与特征矩阵X进行预测。

参数	说明
X	{array-like, sparse matrix} of shape (n_samples, n_features) 样本数据

返回值	说明
y_pred	array of shape (n_samples,) 返回预测值。

score(X, y, sample_weight=None)

计算D ^ 2，说明偏差百分比。

D ^ 2是确定系数R ^ 2的推广。R ^ 2使用平方误差，D ^ 2使用偏差。请注意，对于family='normal'，这两个是相等的。

D ^ 2定义为，是零偏差，即仅具有截距的模型的偏差，对应于。均值由sample_weight取平均值。最佳可能得分为1.0，并且可能为负（因为该模型可能会更差）。

参数	说明
X	{array-like, sparse matrix} of shape (n_samples, n_features) 测试样本。
y	array-like of shape (n_samples,) 目标的真实值。
sample_weight	array-like of shape (n_samples,), default=None 样本权重。

返回值	说明
score	float 预测值与真实值的D^2。

set_params(**params)

设置此估计器的参数。

该方法适用于简单的估计器以及嵌套对象（例如管道）。后者具有形式为 <component>__<parameter>的参数，这样就可以更新嵌套对象的每个组件。

参数	说明
**params	dict 估计器参数。

返回值	说明
self	object 估计器实例。

sklearn.linear_model.GammaRegressor使用示例¶