当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


Python dask_ml.linear_model.PoissonRegression用法及代码示例


用法:

class dask_ml.linear_model.PoissonRegression(penalty='l2', dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1.0, class_weight=None, random_state=None, solver='admm', max_iter=100, multi_class='ovr', verbose=0, warm_start=False, n_jobs=1, solver_kwargs=None)

泊松回归的 Esimator。

参数

penaltystr 或正则化器,默认 ‘l2’

要使用的正则化器。仅与 ‘admm’, ‘lbfgs’ 和 ‘proximal_grad’ 求解器相关。

对于字符串值,只有 ‘l1’ 或 ‘l2’ 有效。

dualbool

忽略

tol浮点数,默认 1e-4

收敛容差。

C浮点数

正则化强度。请注意,dask-glm 求解器使用参数化

fit_intercept布尔值,默认为真

指定是否应将常数(也称为偏差或截距)添加到决策函数。

intercept_scalingbool

忽略

class_weight字典或‘balanced’

忽略

random_stateint、RandomState 或无

混洗数据时使用的伪随机数生成器的种子。如果是int,random_state是随机数生成器使用的种子;如果RandomState实例,random_state是随机数生成器;如果为 None,则随机数生成器是 np.random 使用的 RandomState 实例。当求解器 == ‘sag’ 或 ‘liblinear’ 时使用。

solver{‘admm’, ‘gradient_descent’、‘newton’, ‘lbfgs’、‘proximal_grad’}

求解器使用。有关详细信息,请参阅算法

max_iter整数,默认 100

求解器收敛的最大迭代次数。

multi_classstr,默认 ‘ovr’

忽略。当前不支持多类求解器。

verbose整数,默认 0

忽略

warm_start布尔值,默认为 False

忽略

n_jobs整数,默认 1

忽略

solver_kwargsdict,可选,默认无

额外的关键字参数传递给求解器。

属性

coef_数组,形状(n_classes,n_features)

模型系数的学习值

intercept_无浮点数

截距的学习值,如果添加到模型中

例子

>>> from dask_glm.datasets import make_counts
>>> X, y = make_counts()
>>> lr = PoissonRegression()
>>> lr.fit(X, y)
>>> lr.predict(X)
>>> lr.predict(X)
>>> lr.get_deviance(X, y)

相关用法


注:本文由纯净天空筛选整理自dask.org大神的英文原创作品 dask_ml.linear_model.PoissonRegression。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。