sklearn.linear_model.GammaRegressor?

class sklearn.linear_model.GammaRegressor(*, alpha=1.0, fit_intercept=True, max_iter=100, tol=0.0001, warm_start=False, verbose=0)

具有Gamma分布的廣義線性模型。

在用戶指南中閱讀更多內容。

參數	說明
alpha	float, default=1 該常數乘以懲罰項，從而確定正則化強度。`alpha = 0`等同于未懲罰的GLM。在這種情況下，設計矩陣`X`必須具有全列秩（無共線性）。
fit_intercept	bool, default=True 指定是否將常數（即，偏置或截距）添加到線性預測模型（X @ coef +截距）。
max_iter	int, default=100 求解器的最大迭代次數。
tol	float, default=1e-4 停止標準。對于lbfgs求解器，當`max{g_j,j = 1, ..., d} <= tol`，其中`g_j`為目標函數的梯度（導數）的第j個分量，迭代將停止。
warm_start	bool, default=False 如果設置為`True`，重用前面調用的解決方案進行`fit`,作為`coef_`和`intercept_`的初始化。
verbose	int, default=0 對于lbfgs求解器，請將verbose設置為代表詳細程度的任何正數。

屬性	說明
coef_	array of shape (n_features,) GLM中線性預測模型（`X @ coef_ + intercept_`）的估計系數。
intercept_	float 已添加到線性預測模型中的截距（又稱偏置）。
n_iter_	int 求解器中使用的實際迭代數。

__init__(*, alpha=1.0, fit_intercept=True, max_iter=100, tol=0.0001, warm_start=False, verbose=0)

初始化self，請參閱help(type(self))以獲得準確的說明。

fit(X, y, sample_weight=None)

擬合廣義線性模型。

參數	說明
X	{array-like, sparse matrix} of shape (n_samples, n_features) 訓練數據。
y	array-like of shape (n_samples,) 目標值。
sample_weight	array-like of shape (n_samples,), default=None 樣本權重

返回值	說明
self	returns an instance of self.

get_params(deep=True)

獲取此估計器的參數。

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)

使用GLM與特征矩陣X進行預測。

參數	說明
X	{array-like, sparse matrix} of shape (n_samples, n_features) 樣本數據

返回值	說明
y_pred	array of shape (n_samples,) 返回預測值。

score(X, y, sample_weight=None)

計算D ^ 2，說明偏差百分比。

D ^ 2是確定系數R ^ 2的推廣。R ^ 2使用平方誤差，D ^ 2使用偏差。請注意，對于family='normal'，這兩個是相等的。

D ^ 2定義為，是零偏差，即僅具有截距的模型的偏差，對應于。均值由sample_weight取平均值。最佳可能得分為1.0，并且可能為負（因為該模型可能會更差）。

參數	說明
X	{array-like, sparse matrix} of shape (n_samples, n_features) 測試樣本。
y	array-like of shape (n_samples,) 目標的真實值。
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D^2。

set_params(**params)

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。

sklearn.linear_model.GammaRegressor使用示例?