内容

广义线性模型

内容

广义线性模型¶

`LinearRegression`([penalty, dual, tol, C, ...])	线性回归的估计器。
`LogisticRegression`([penalty, dual, tol, C, ...])	逻辑回归的估计器。
`PoissonRegression`([penalty, dual, tol, C, ...])	泊松回归的估计器。

广义线性模型是一类广泛使用的模型。这些实现可以很好地扩展到单机或分布式集群上的大型数据集。它们可以由多种优化算法驱动，并使用多种正则化方法。

这些遵循 scikit-learn 估计器 API，因此可以插入现有的例程中，如网格搜索和管道，但它们是使用新的、可扩展的算法在外部实现的，因此可以消耗分布式的 dask 数组和数据帧，而不仅仅是单机上的 NumPy 和 Pandas 数组和数据帧。

示例¶

In [1]: from dask_ml.linear_model import LogisticRegression

In [2]: from dask_ml.datasets import make_classification

In [3]: X, y = make_classification(chunks=50)

In [4]: lr = LogisticRegression()

In [5]: lr.fit(X, y)
Out[5]: LogisticRegression()

算法¶

`admm`(X, y[, regularizer, lamduh, rho, ...])	交替方向乘子法
`gradient_descent`(X, y[, max_iter, tol, family])	Michael Grant 的梯度下降实现。
`lbfgs`(X, y[, regularizer, lamduh, max_iter, ...])	使用 scipy.optimize 实现的 L-BFGS 求解器
`newton`(X, y[, max_iter, tol, family])	牛顿法用于逻辑回归。
`proximal_grad`(X, y[, regularizer, lamduh, ...])	近端梯度法

正则化器¶

`ElasticNet`([weight])	弹性网络正则化。
`L1`()	L1 正则化。
`L2`()	L2 正则化。
`Regularizer`()	正则化对象的抽象基类。

管道和复合估计器

朴素贝叶斯