sklearn.linear_model.ARDRegression?
class sklearn.linear_model.ARDRegression(*, n_iter=300, tol=0.001, alpha_1=1e-06, alpha_2=1e-06, lambda_1=1e-06, lambda_2=1e-06, compute_score=False, threshold_lambda=10000.0, fit_intercept=True, normalize=False, copy_X=True, verbose=False)
貝葉斯ARD回歸。
使用ARD先驗擬合回歸模型的權重。回歸模型的權重假定服從高斯分布。還要估計參數lambda（權重分布的精度）和alpha（噪聲分布的精度）。通過迭代過程（證據最大化）進行估算。
在用戶指南中閱讀更多內容。
| 參數 | 說明 |
|---|---|
| n_iter | int, default=300 最大迭代次數。 |
| tol | float, default=1e-3 如果w收斂，則停止算法。 |
| alpha_1 | float, default=1e-6 超參數：高于alpha參數的Gamma分布的形狀參數。 |
| alpha_2 | float, default=1e-6 超參數：優先于alpha參數的Gamma分布的反比例參數（速率參數）。 |
| lambda_1 | float, default=1e-6 超參數：高于lambda參數的Gamma分布的形狀參數。 |
| lambda_2 | float, default=1e-6 超參數：優先于lambda參數的Gamma分布的反比例參數（速率參數）。 |
| compute_score | bool, default=False 如果為True，則計算模型每一步的目標函數。 |
| threshold_lambda | float, default=10000 從計算中高精度刪除（修剪）權重的閾值。 |
| fit_intercept | bool, default=True 是否計算該模型的截距。如果設置為false，則在計算中將不使用截距（即，數據應居中）。 |
| normalize | bool, default=Falsefit_intercept設置為False 時，將忽略此參數。如果為True，則在回歸之前通過減去均值并除以l2-范數來對回歸變量X進行歸一化。如果你希望標準化，請先使用 sklearn.preprocessing.StandardScaler，然后調用fit 估算器并設置normalize=False。 |
| copy_X | bool, default=True 如果為True，將復制X；否則X可能會被覆蓋。 |
| verbose | bool, default=False 擬合模型時的詳細模式。 |
| 屬性 | 說明 |
|---|---|
| coef_ | array-like of shape (n_features,) 回歸模型的系數（分布的均值） |
| alpha_ | float 估計的噪聲精度。 |
| lambda_ | array-like of shape (n_features,) 權重的估計精度。 |
| sigma_ | array-like of shape (n_features, n_features) 權重的估計方差-協方差矩陣 |
| scores_ | float 若計算，目標函數的值(待最大化) |
| intercept_ | float 決策函數中的截距。如果 fit_intercept = False則設置為0.0 。 |
注
有關示例，請參見examples / linear_model / plot_ard.py。
參考
D. J. C. MacKay, Bayesian nonlinear modeling for the prediction competition, ASHRAE Transactions, 1994.
R. Salakhutdinov, Lecture notes on Statistical Machine Learning, http://www.utstat.toronto.edu/~rsalakhu/sta4273/notes/Lecture2.pdf#page=15 Their beta is our self.alpha_ Their alpha is our self.lambda_ ARD is a little different than the slide: only dimensions/features for which self.lambda_ < self.threshold_lambda are kept and the rest are discarded.
示例
>>> from sklearn import linear_model
>>> clf = linear_model.ARDRegression()
>>> clf.fit([[0,0], [1, 1], [2, 2]], [0, 1, 2])
ARDRegression()
>>> clf.predict([[1, 1]])
array([1.])
方法
| 方法 | 說明 |
|---|---|
fit(X, y) |
根據給定的訓練數據和參數擬合ARDRegression模型。 |
get_params([deep]) |
獲取此估計量的參數。 |
predict(X[, return_std]) |
使用線性模型進行預測。 |
score(X, y[, sample_weight]) |
返回預測的確定系數R ^ 2。 |
set_params(**params) |
設置此估算器的參數。 |
__init__（*，n_iter = 300，tol = 0.001，alpha_1 = 1e-06，alpha_2 = 1e-06，lambda_1 = 1e-06，lambda_2 = 1e-06，compute_score = False，threshold_lambda = 10000.0，fit_intercept = True，normalize = False，copy_X = True，verbose = False ）
初始化self， 請參閱help(type(self))以獲得準確的說明。
fit(X, y)
[源碼]
根據給定的訓練數據和參數擬合ARD回歸模型。
迭代程序以最大化證據。
| 參數 | 說明 |
|---|---|
| X | array-like, shape [n_samples, n_features] 訓練數據，其中n_samples是樣本數量，n_features是特征數量。 |
| y | array-like, shape [n_samples] 目標值（整數）。如有必要，將強制轉換為X的數據類型。 |
| 返回值 | 說明 |
|---|---|
| self | returns an instance of self. |
get_params(deep=True)
[源碼]
獲取此估計量的參數。
| 參數 | 說明 |
|---|---|
| deep | bool, default=True 如果為True，則將返回此估算器和所包含子對象的參數。 |
| 返回值 | 說明 |
|---|---|
| params | mapping of string to any 參數名稱映射到其值。 |
predict(X, return_std=False)
[源碼]
使用線性模型進行預測。
除了預測分布的平均值外，還可以返回其標準偏差。
| 參數 | 說明 |
|---|---|
| X | {array-like, sparse matrix} of shape (n_samples, n_features) 樣本數據 |
| return_std | bool, default=False 是否返回后驗預測的標準差。 |
| 返回值 | 說明 |
|---|---|
| y_mean | array-like of shape (n_samples,) 查詢點的預測分布平均值。 |
| y_std | array-like of shape (n_samples,) 查詢點的預測分布的標準偏差。 |
score(X, y, sample_weight=None)
[源碼]
返回預測的確定系數R ^ 2。
系數R ^ 2定義為（1- u / v），其中u是殘差平方和（（y_true-y_pred）** 2）.sum（），而v是總平方和（（y_true- y_true.mean（））** 2）.sum（）。可能的最高得分為1.0，并且也可能為負（因為該模型可能會更差）。一個常數模型總是預測y的期望值，而不考慮輸入特征，得到的R^2得分為0.0。
| 參數 | 說明 |
|---|---|
| X | array-like of shape (n_samples, n_features) 測試樣本。對于某些估計量，這可以是預先計算的內核矩陣或通用對象列表，形狀為（n_samples，n_samples_fitted），其中n_samples_fitted是用于擬合估計器的樣本數。 |
| y | array-like of shape (n_samples,) or (n_samples, n_outputs) X的真實值。 |
| sample_weight | array-like of shape (n_samples,), default=None 樣本權重。 |
| 返回值 | 說明 |
|---|---|
| score | float 預測值與真實值的R^2。 |
注
調用回歸器中的score時使用的R2分數，multioutput='uniform_average'從0.23版開始使用 ，與r2_score默認值保持一致。這會影響多輸出回歸的score方法（ MultiOutputRegressor除外）。
set_params(**params)
[源碼]
設置此估計器的參數。
該方法適用于簡單的估計器以及嵌套對象（例如管道）。后者具有形式為 <component>__<parameter>的參數，這樣就可以更新嵌套對象的每個組件。
| 參數 | 說明 |
|---|---|
| **params | dict 估計器參數。 |
| 返回值 | 說明 |
|---|---|
| self | object 估計器實例。 |
