dask_ml.linear_model.LinearRegression
dask_ml.linear_model.LinearRegression¶
- class dask_ml.linear_model.LinearRegression(penalty='l2', dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1.0, class_weight=None, random_state=None, solver='admm', max_iter=100, multi_class='ovr', verbose=0, warm_start=False, n_jobs=1, solver_kwargs=None)¶
线性回归的估计器。
- 参数
- penaltystr 或 Regularizer，默认为 ‘l2’
使用的正则化器。仅与 ‘admm’、‘lbfgs’ 和 ‘proximal_grad’ 求解器相关。
对于字符串值，只有 ‘l1’ 或 ‘l2’ 有效。
- dualbool
忽略
- tolfloat，默认为 1e-4
收敛容差。
- Cfloat
正则化强度。请注意，
dask-glm求解器使用参数化 \(\lambda = 1 / C\)- fit_interceptbool，默认为 True
指定是否应在决策函数中添加一个常数（又称偏差或截距）。
- intercept_scalingbool
忽略
- class_weightdict 或 ‘balanced’
忽略
- random_stateint、RandomState 或 None
用于数据洗牌时伪随机数生成器的种子。如果为 int，random_state 是随机数生成器使用的种子；如果为 RandomState 实例，random_state 是随机数生成器；如果为 None，随机数生成器是 np.random 使用的 RandomState 实例。在 solver == ‘sag’ 或 ‘liblinear’ 时使用。
- solver{‘admm’, ‘gradient_descent’, ‘newton’, ‘lbfgs’, ‘proximal_grad’}
使用的求解器。详情请参阅 算法
- max_iterint，默认为 100
求解器收敛的最大迭代次数。
- multi_classstr，默认为 ‘ovr’
忽略。目前不支持多类别求解器。
- verboseint，默认为 0
忽略
- warm_startbool，默认为 False
忽略
- n_jobsint，默认为 1
忽略
- solver_kwargsdict，可选，默认为 None
要传递给求解器的额外关键字参数。
- 属性
- coef_数组，形状为 (n_classes, n_features)
模型系数的学习值
- intercept_float 或 None
截距的学习值（如果模型添加了截距）
示例
>>> from dask_glm.datasets import make_regression >>> X, y = make_regression() >>> lr = LinearRegression() >>> lr.fit(X, y) >>> lr.predict(X) >>> lr.predict(X) >>> lr.score(X, y)
方法
fit(X[, y])在训练数据上拟合模型
get_metadata_routing()获取此对象的元数据路由。
get_params([deep])获取此估计器的参数。
predict(X)预测 X 中样本的值。
score(X, y)返回预测的决定系数 R^2。
set_params(**params)设置此估计器的参数。
- __init__(penalty='l2', dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1.0, class_weight=None, random_state=None, solver='admm', max_iter=100, multi_class='ovr', verbose=0, warm_start=False, n_jobs=1, solver_kwargs=None)¶