dask_ml.linear_model.PoissonRegression
dask_ml.linear_model.PoissonRegression¶
- class dask_ml.linear_model.PoissonRegression(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)¶
泊松回归估计器。
- 参数
- penaltystr 或 Regularizer, 默认 ‘l2’
要使用的正则化器。仅与 ‘admm’、‘lbfgs’ 和 ‘proximal_grad’ 求解器相关。
对于字符串值，仅 ‘l1’ 或 ‘l2’ 有效。
- dualbool
忽略
- tolfloat, 默认 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 True
指定是否应向决策函数添加常量（也称为偏置或截距）。
- intercept_scalingbool
忽略
- class_weightdict 或 ‘balanced’
忽略
- random_stateint, RandomState 或 None
用于在打乱数据时使用的伪随机数生成器的种子。如果为 int，则 random_state 是随机数生成器使用的种子；如果为 RandomState 实例，则 random_state 是随机数生成器；如果为 None，则随机数生成器是 np.random 使用的 RandomState 实例。当 solver == ‘sag’ 或 ‘liblinear’ 时使用。
- solver{‘admm’, ‘gradient_descent’, ‘newton’, ‘lbfgs’, ‘proximal_grad’}
要使用的求解器。详情请参阅 算法
- max_iterint, 默认 100
求解器收敛的最大迭代次数。
- multi_classstr, 默认 ‘ovr’
忽略。目前不支持多类别求解器。
- verboseint, 默认 0
忽略
- warm_startbool, 默认 False
忽略
- n_jobsint, 默认 1
忽略
- solver_kwargsdict, 可选, 默认 None
要传递给求解器的额外关键字参数。
- 属性
- coef_array, 形状 (n_classes, n_features)
模型系数的学习值
- intercept_float 或 None
截距的学习值，如果模型中添加了截距
示例
>>> from dask_glm.datasets import make_counts >>> X, y = make_counts() >>> lr = PoissonRegression() >>> lr.fit(X, y) >>> lr.predict(X) >>> lr.predict(X) >>> lr.get_deviance(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 中样本的计数。
set_params(**params)设置此估计器的参数。
get_deviance
- __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)¶