Python sklearn IsotonicRegression用法及代码示例

本文简要介绍python语言中 sklearn.isotonic.IsotonicRegression 的用法。

用法:

class sklearn.isotonic.IsotonicRegression(*, y_min=None, y_max=None, increasing=True, out_of_bounds='nan')

等渗回归模型。

在用户指南中阅读更多信息。

参数：

y_min：浮点数，默认=无

最低预测值的下限(最小值可能仍然更高)。如果未设置，则默认为 -inf。

y_max：浮点数，默认=无

最高预测值的上限(最大值可能仍然更低)。如果未设置，则默认为 +inf。

increasing：布尔或‘auto’，默认=真

确定是否应使用 X 将预测限制为增加或减少。 ‘auto’ 将根据 Spearman 相关估计的符号来决定。

out_of_bounds：{‘nan’, ‘clip’, ‘raise’}，默认='nan'

处理在预测期间如何处理训练域之外的 X 值。

• ‘nan’，预测将是 NaN。
• ‘clip’，预测将设置为与最近的列车间隔端点对应的值。
• ‘raise’，引发ValueError。

属性：

X_min_：浮点数

左边界的输入数组X_ 的最小值。

X_max_：浮点数

右边界的输入数组X_ 的最大值。

X_thresholds_：ndarray 形状(n_thresholds，)

用于内插 y = f(X) 单调函数的唯一升序 X 值。

y_thresholds_：ndarray 形状(n_thresholds，)

去重复的 y 值适合插值 y = f(X) 单调函数。

f_：函数

覆盖输入域 X 的逐步插值函数。

increasing_：bool

increasing 的推断值。

注意：

使用 de Leeuw，1977 年的第二种方法打破关系。

参考：

等渗中值回归：线性规划方法 Nilotpal Chakravarti 运筹学数学卷。 14，第 2 期(1989 年 5 月)，第 303-308 页

R 中的等调优化：Pool-Adjacent-Violators 算法 (PAVA) 和活动集方法 de Leeuw, Hornik, Mair Journal of Statistical Software 2009

Kruskal 的单调回归算法的正确性与 ties de Leeuw, Psychometrica, 1977

例子：

>>> from sklearn.datasets import make_regression
>>> from sklearn.isotonic import IsotonicRegression
>>> X, y = make_regression(n_samples=10, n_features=1, random_state=41)
>>> iso_reg = IsotonicRegression().fit(X, y)
>>> iso_reg.predict([.1, .2])
array([1.8628..., 3.7256...])