Python dask_ml.linear_model.LinearRegression用法及代碼示例

用法: class dask_ml.linear_model.LinearRegression(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)

用於線性回歸的 Esimator。

參數：

penalty：str 或正則化器，默認 ‘l2’

要使用的正則化器。僅與 ‘admm’, ‘lbfgs’ 和 ‘proximal_grad’ 求解器相關。

對於字符串值，隻有 ‘l1’ 或 ‘l2’ 有效。

dual：bool

忽略

tol：浮點數，默認 1e-4

收斂容差。

C：浮點數

正則化強度。請注意，dask-glm 求解器使用參數化 \(\lambda = 1 / C\)

fit_intercept：布爾值，默認為真

指定是否應將常數(也稱為偏差或截距)添加到決策函數。

intercept_scaling：bool

忽略

class_weight：字典或‘balanced’

忽略

random_state：int、RandomState 或無

混洗數據時使用的偽隨機數生成器的種子。如果是int，random_state是隨機數生成器使用的種子；如果RandomState實例，random_state是隨機數生成器；如果為 None，則隨機數生成器是 np.random 使用的 RandomState 實例。當求解器 == ‘sag’ 或 ‘liblinear’ 時使用。

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

求解器使用。有關詳細信息，請參閱算法

max_iter：整數，默認 100

求解器收斂的最大迭代次數。

multi_class：str，默認 ‘ovr’

忽略。當前不支持多類求解器。

verbose：整數，默認 0

忽略

warm_start：布爾值，默認為 False

忽略

n_jobs：整數，默認 1

忽略

solver_kwargs：dict，可選，默認無

額外的關鍵字參數傳遞給求解器。

屬性：

coef_：數組，形狀(n_classes，n_features): 模型係數的學習值
intercept_：無浮點數: 截距的學習值，如果添加到模型中

例子：

>>> from dask_glm.datasets import make_regression
>>> X, y = make_regression()
>>> lr = LinearRegression()
>>> lr.fit(X, y)
>>> lr.predict(X)
>>> lr.predict(X)
>>> lr.score(X, y)

相關用法

注：本文由純淨天空篩選整理自dask.org大神的英文原創作品 dask_ml.linear_model.LinearRegression。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。