Python sklearn IsotonicRegression用法及代碼示例

本文簡要介紹python語言中 sklearn.isotonic.IsotonicRegression 的用法。

用法:

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

等滲回歸模型。

在用戶指南中閱讀更多信息。

參數：

y_min：浮點數，默認=無

最低預測值的下限(最小值可能仍然更高)。如果未設置，則默認為 -inf。

y_max：浮點數，默認=無

最高預測值的上限(最大值可能仍然更低)。如果未設置，則默認為 +inf。

increasing：布爾或‘auto’，默認=真

確定是否應使用 X 將預測限製為增加或減少。 ‘auto’ 將根據 Spearman 相關估計的符號來決定。

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

處理在預測期間如何處理訓練域之外的 X 值。

• ‘nan’，預測將是 NaN。
• ‘clip’，預測將設置為與最近的列車間隔端點對應的值。
• ‘raise’，引發ValueError。

屬性：

X_min_：浮點數

左邊界的輸入數組X_ 的最小值。

X_max_：浮點數

右邊界的輸入數組X_ 的最大值。

X_thresholds_：ndarray 形狀(n_thresholds，)

用於內插 y = f(X) 單調函數的唯一升序 X 值。

y_thresholds_：ndarray 形狀(n_thresholds，)

去重複的 y 值適合插值 y = f(X) 單調函數。

f_：函數

覆蓋輸入域 X 的逐步插值函數。

increasing_：bool

increasing 的推斷值。

注意：

使用 de Leeuw，1977 年的第二種方法打破關係。

參考：

等滲中值回歸：線性規劃方法 Nilotpal Chakravarti 運籌學數學卷。 14，第 2 期(1989 年 5 月)，第 303-308 頁

R 中的等調優化：Pool-Adjacent-Violators 算法 (PAVA) 和活動集方法 de Leeuw, Hornik, Mair Journal of Statistical Software 2009

Kruskal 的單調回歸算法的正確性與 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...])