Python sklearn QuantileRegressor用法及代碼示例

本文簡要介紹python語言中 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)

預測條件分位數的線性回歸模型。

線性 QuantileRegressor 針對所需的 quantile 優化了 pinball 損失，並且對異常值具有魯棒性。

該模型使用像 Lasso 這樣的 L1 正則化。

在用戶指南中閱讀更多信息。

參數：

quantile：浮點數，默認=0.5

模型嘗試預測的分位數。它必須嚴格介於 0 和 1 之間。如果為 0.5(默認)，則模型預測 50% 的分位數，即中位數。

alpha：浮點數，默認=1.0

乘以 L1 懲罰項的正則化常數。

fit_intercept：布爾，默認=真

是否適合截距。

solver：{'highs-ds', 'highs-ipm', ‘highs’, 'interior-point', '修正單純形'}, 默認='interior-point'

scipy.optimize.linprog 用於求解線性規劃公式的方法。請注意，建議將 highs 方法與 scipy>=1.6.0 一起使用，因為它們是最快的方法。

solver_options：字典，默認=無

作為選項傳遞給 scipy.optimize.linprog 的附加參數。如果 None 和 solver='interior-point' ，則為了穩定性，將 {"lstsq": True} 傳遞給 scipy.optimize.linprog 。

屬性：

coef_：形狀數組(n_features，)

特征的估計係數。

intercept_：浮點數

模型的截距，也就是偏置項。

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。

n_iter_：int

求解器執行的實際迭代次數。

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