Python sklearn QuantileRegressor用法及代码示例

本文简要介绍python语言中 sklearn.linear_model.QuantileRegressor 的用法。

用法:

class sklearn.linear_model.QuantileRegressor(*, quantile=0.5, alpha=1.0, fit_intercept=True, solver='interior-point', solver_options=None)

预测条件分位数的线性回归模型。

线性 QuantileRegressor 针对所需的 quantile 优化了 pinball 损失，并且对异常值具有鲁棒性。

该模型使用像 Lasso 这样的 L1 正则化。

在用户指南中阅读更多信息。

参数：

quantile：浮点数，默认=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% 的分位数，即中位数。

alpha：浮点数，默认=1.0

乘以 L1 惩罚项的正则化常数。

fit_intercept：布尔，默认=真

是否适合截距。

solver：{'highs-ds', 'highs-ipm', ‘highs’, 'interior-point', '修正单纯形'}, 默认='interior-point'

scipy.optimize.linprog 用于求解线性规划公式的方法。请注意，建议将 highs 方法与 scipy>=1.6.0 一起使用，因为它们是最快的方法。

solver_options：字典，默认=无

作为选项传递给 scipy.optimize.linprog 的附加参数。如果 None 和 solver='interior-point' ，则为了稳定性，将 {"lstsq": True} 传递给 scipy.optimize.linprog 。

属性：

coef_：形状数组(n_features，)

特征的估计系数。

intercept_：浮点数

模型的截距，也就是偏置项。

n_features_in_：int

拟合期间看到的特征数。

feature_names_in_：ndarray 形状(n_features_in_，)

拟合期间看到的特征名称。仅当 X 具有全为字符串的函数名称时才定义。

n_iter_：int

求解器执行的实际迭代次数。

例子：

>>> 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)
>>> reg = QuantileRegressor(quantile=0.8).fit(X, y)
>>> np.mean(y <= reg.predict(X))
0.8