Python sklearn BayesianRidge用法及代碼示例

本文簡要介紹python語言中 sklearn.linear_model.BayesianRidge 的用法。

用法:

class sklearn.linear_model.BayesianRidge(*, n_iter=300, tol=0.001, alpha_1=1e-06, alpha_2=1e-06, lambda_1=1e-06, lambda_2=1e-06, alpha_init=None, lambda_init=None, compute_score=False, fit_intercept=True, normalize='deprecated', copy_X=True, verbose=False)

貝葉斯嶺回歸。

擬合貝葉斯嶺模型。有關此實現的詳細信息以及正則化參數 lambda(權重的精度)和 alpha(噪聲的精度)的優化，請參閱注釋部分。

在用戶指南中閱讀更多信息。

參數：

n_iter：整數，默認=300

最大迭代次數。應大於或等於 1。

tol：浮點數，默認=1e-3

如果 w 已經收斂，則停止算法。

alpha_1：浮點數，默認=1e-6

超參數：先於 alpha 參數的 Gamma 分布的形狀參數。

alpha_2：浮點數，默認=1e-6

超參數：先於 alpha 參數的 Gamma 分布的反比例參數(速率參數)。

lambda_1：浮點數，默認=1e-6

超參數：先於 lambda 參數的 Gamma 分布的形狀參數。

lambda_2：浮點數，默認=1e-6

超參數：先於 lambda 參數的 Gamma 分布的反比例參數(速率參數)。

alpha_init：浮點數，默認=無

alpha 的初始值(噪聲的精度)。如果未設置，alpha_init 為 1/Var(y)。

lambda_init：浮點數，默認=無

lambda 的初始值(權重的精度)。如果未設置，lambda_init 為 1。

compute_score：布爾，默認=假

如果為 True，則在每次優化迭代中計算對數邊際似然。

fit_intercept：布爾，默認=真

是否計算此模型的截距。截距不被視為概率參數，因此沒有相關的方差。如果設置為 False，則不會在計算中使用截距(即數據應居中)。

normalize：布爾，默認=假

當 fit_intercept 設置為 False 時忽略此參數。如果為 True，則回歸量 X 將在回歸前通過減去均值並除以 l2 範數進行歸一化。如果您希望標準化，請在使用 normalize=False 對估計器調用 fit 之前使用 StandardScaler 。

copy_X：布爾，默認=真

如果為 True，則 X 將被複製；否則，它可能會被覆蓋。

verbose：布爾，默認=假

擬合模型時的詳細模式。

屬性：

coef_：形狀類似數組 (n_features,)

回歸模型的係數(分布均值)

intercept_：浮點數

決策函數中的獨立項。如果 fit_intercept = False 則設置為 0.0。

alpha_：浮點數

估計的噪聲精度。

lambda_：浮點數

權重的估計精度。

sigma_：形狀類似數組 (n_features, n_features)

權重的估計方差-協方差矩陣

scores_：形狀類似數組 (n_iter_+1,)

如果computed_score 為真，則在優化的每次迭代中對數邊際似然的值(將被最大化)。該數組以 alpha 和 lambda 的初始值獲得的對數邊際似然值開始，並以估計的 alpha 和 lambda 獲得的值結束。

n_iter_：int

達到停止標準的實際迭代次數。

X_offset_：浮點數

如果 normalize=True ，則減去偏移量以使數據居中為零均值。

X_scale_：浮點數

如果 normalize=True ，用於將數據縮放到單位標準偏差的參數。

n_features_in_：int

擬合期間看到的特征數。

feature_names_in_：ndarray 形狀(n_features_in_，)

擬合期間看到的特征名稱。僅當 X 具有全為字符串的函數名稱時才定義。

注意：

存在幾種執行貝葉斯嶺回歸的策略。該實現基於(Tipping，2001)附錄 A 中說明的算法，其中正則化參數的更新按照(MacKay，1992)中的建議進行。請注意，根據 A New View of Automatic Relevance Determination(Wipf 和 Nagarajan，2008 年)，這些更新規則不能保證在優化的兩個連續迭代之間邊際似然增加。

參考：

D. J. C. MacKay，貝葉斯插值、計算和神經係統，卷。 4，第 3 期，1992 年。

M. E. 小費，稀疏貝葉斯學習和相關向量機，機器學習研究雜誌，卷。 1，2001 年。

例子：

>>> from sklearn import linear_model
>>> clf = linear_model.BayesianRidge()
>>> clf.fit([[0,0], [1, 1], [2, 2]], [0, 1, 2])
BayesianRidge()
>>> clf.predict([[1, 1]])
array([1.])