BayesianRidge#

class sklearn.linear_model.BayesianRidge(*, max_iter=300, tol=0.001, alpha_1=1e-06, alpha_2=1e-06, lambda_1=1e-06, lambda_2=1e-06, alpha_init=None, lambda_init=None, compute_score=False, fit_intercept=True, copy_X=True, verbose=False)#

贝叶斯岭回归。

拟合一个贝叶斯岭模型。详见备注部分，了解此实现的细节以及正则化参数 lambda（权重的精度）和alpha（噪声的精度）的优化。

更多信息请参阅 User Guide 。 对于如何通过使用不同初始值对对来近似正弦曲线 的直观可视化，请参阅 使用贝叶斯岭回归进行曲线拟合 。

Parameters:
max_iterint, default=300

在停止之前，对整个数据集进行的最大迭代次数，独立于任何早期停止标准。

Changed in version 1.3.

tolfloat, default=1e-3

如果w已经收敛，则停止算法。

alpha_1float, default=1e-6

超参数：alpha参数的Gamma分布先验的形状参数。

alpha_2float, default=1e-6

超参数：alpha参数的Gamma分布先验的逆尺度参数（速率参数）。

lambda_1float, default=1e-6

超参数：lambda参数的Gamma分布先验的形状参数。

lambda_2float, default=1e-6

超参数：lambda参数的Gamma分布先验的逆尺度参数（速率参数）。

alpha_initfloat, default=None

alpha（噪声的精度）的初始值。 如果未设置，alpha_init为1/Var(y)。

Added in version 0.22.

lambda_initfloat, default=None

lambda（权重的精度）的初始值。 如果未设置，lambda_init为1。

Added in version 0.22.

compute_scorebool, default=False

如果为True，在每次优化迭代中计算对数边际似然。

fit_interceptbool, default=True

是否为此模型计算截距。 截距不被视为概率参数，因此没有相关的方差。如果设置 为False，则不会在计算中使用截距（即数据应已中心化）。

copy_Xbool, default=True

如果为True，将复制X；否则，可能会被覆盖。

verbosebool, default=False

拟合模型时的详细模式。

Attributes:
coef_array-like of shape (n_features,)

回归模型的系数（分布的均值）

intercept_float

决策函数中的独立项。如果 fit_intercept = False ，则设置为0.0。

alpha_float

噪声的估计精度。

lambda_float

权重的估计精度。

sigma_array-like of shape (n_features, n_features)

权重的估计方差-协方差矩阵

scores_array-like of shape (n_iter_+1,)

如果computed_score为True，则在每次优化迭代中对数边际似然（最大化）的值。数组从alpha和lambda的初始值获得的对数边际似然值开始，并以估计的alpha和lambda获得的对数边际似然值结束。

n_iter_int

达到停止标准所需的实际迭代次数。

X_offset_ndarray of shape (n_features,)

如果 fit_intercept=True ，则减去以使数据中心化为零均值的偏移量。否则设置为np.zeros(n_features)。

X_scale_ndarray of shape (n_features,)

设置为np.ones(n_features)。

n_features_in_int

在 fit 期间看到的特征数量。

Added in version 0.24.

feature_names_in_ndarray of shape ( n_features_in_ ,)

在 fit 期间看到的特征名称。仅当 X 的特征名称为所有字符串时定义。

Added in version 1.0.

See also

ARDRegression

贝叶斯ARD回归。

Notes

有几种策略可以执行贝叶斯岭回归。此实现基于(Tipping, 2001)附录A中描述的算法，其中正则化参数的更新如(MacKay, 1992)所建议。请注意，根据A New View of Automatic Relevance Determination (Wipf and Nagarajan, 2008)，这些更新规则不能保证边际似然在优化的两次连续迭代之间增加。

References

D. J. C. MacKay, Bayesian Interpolation, Computation and Neural Systems, Vol. 4, No. 3, 1992.

M. E. Tipping, Sparse Bayesian Learning and the Relevance Vector Machine, Journal of Machine Learning Research, Vol. 1, 2001.

Examples

>>> from sklearn import linear_model
>>> clf = linear_model.BayesianRidge()
>>> clf.fit([[0,0], [1, 1], [2, 2]], [0, 1, 2])
BayesianRidge()
>>> clf.predict([[1, 1]])
array([1.])
fit(X, y, sample_weight=None)#

拟合模型。

Parameters:
X形状为 (n_samples, n_features) 的 ndarray

训练数据。

y形状为 (n_samples,) 的 ndarray

目标值。如果需要，将被转换为 X 的数据类型。

sample_weight形状为 (n_samples,) 的 ndarray，默认=None

每个样本的单独权重。

Added in version 0.20: 参数 sample_weight 支持 BayesianRidge。

Returns:
selfobject

返回实例本身。

get_metadata_routing()#

获取此对象的元数据路由。

请查看 用户指南 以了解路由机制的工作原理。

Returns:
routingMetadataRequest

MetadataRequest 封装的 路由信息。

get_params(deep=True)#

获取此估计器的参数。

Parameters:
deepbool, 默认=True

如果为True，将返回此估计器和包含的子对象（也是估计器）的参数。

Returns:
paramsdict

参数名称映射到它们的值。

predict(X, return_std=False)#

使用线性模型进行预测。

除了预测分布的均值外，还可以返回其标准差。

Parameters:
X{array-like, sparse matrix} of shape (n_samples, n_features)

样本。

return_stdbool, default=False

是否返回后验预测的标准差。

Returns:
y_meanarray-like of shape (n_samples,)

查询点预测分布的均值。

y_stdarray-like of shape (n_samples,)

查询点预测分布的标准差。

score(X, y, sample_weight=None)#

返回预测的决定系数。

决定系数 \(R^2\) 定义为 \((1 - rac{u}{v})\) ，其中 \(u\) 是残差平方和 ((y_true - y_pred)** 2).sum() ，而 \(v\) 是总平方和 ((y_true - y_true.mean()) ** 2).sum() 。最好的可能得分是 1.0，它可能是负的（因为模型可能任意地差）。一个总是预测 y 的期望值的常数模型，忽略输入特征，将得到 \(R^2\) 得分为 0.0。

Parameters:
Xarray-like of shape (n_samples, n_features)

测试样本。对于某些估计器，这可能是一个预计算的核矩阵或一个形状为 (n_samples, n_samples_fitted) 的通用对象列表，其中 n_samples_fitted 是估计器拟合中使用的样本数量。

yarray-like of shape (n_samples,) or (n_samples, n_outputs)

X 的真实值。

sample_weightarray-like of shape (n_samples,), default=None

样本权重。

Returns:
scorefloat

\(R^2\) 相对于 y 的 self.predict(X) 。

Notes

在调用回归器的 score 时使用的 \(R^2\) 得分从 0.23 版本开始使用 multioutput='uniform_average' 以保持与 r2_score 默认值一致。 这影响了所有多输出回归器的 score 方法（除了 MultiOutputRegressor ）。

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → BayesianRidge#

Request metadata passed to the fit method.

Note that this method is only relevant if enable_metadata_routing=True (see sklearn.set_config ). Please see User Guide on how the routing mechanism works.

The options for each parameter are:

  • True : metadata is requested, and passed to fit if provided. The request is ignored if metadata is not provided.

  • False : metadata is not requested and the meta-estimator will not pass it to fit .

  • None : metadata is not requested, and the meta-estimator will raise an error if the user provides it.

  • str : metadata should be passed to the meta-estimator with this given alias instead of the original name.

The default ( sklearn.utils.metadata_routing.UNCHANGED ) retains the existing request. This allows you to change the request for some parameters and not others.

Added in version 1.3.

Note

This method is only relevant if this estimator is used as a sub-estimator of a meta-estimator, e.g. used inside a Pipeline . Otherwise it has no effect.

Parameters:
sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

Metadata routing for sample_weight parameter in fit .

Returns:
selfobject

The updated object.

set_params(**params)#

设置此估计器的参数。

该方法适用于简单估计器以及嵌套对象（例如 Pipeline ）。后者具有形式为 <component>__<parameter> 的参数，以便可以更新嵌套对象的每个组件。

Parameters:
**paramsdict

估计器参数。

Returns:
selfestimator instance

估计器实例。

set_predict_request(*, return_std: bool | None | str = '$UNCHANGED$') → BayesianRidge#

Request metadata passed to the predict method.

Note that this method is only relevant if enable_metadata_routing=True (see sklearn.set_config ). Please see User Guide on how the routing mechanism works.

The options for each parameter are:

  • True : metadata is requested, and passed to predict if provided. The request is ignored if metadata is not provided.

  • False : metadata is not requested and the meta-estimator will not pass it to predict .

  • None : metadata is not requested, and the meta-estimator will raise an error if the user provides it.

  • str : metadata should be passed to the meta-estimator with this given alias instead of the original name.

The default ( sklearn.utils.metadata_routing.UNCHANGED ) retains the existing request. This allows you to change the request for some parameters and not others.

Added in version 1.3.

Note

This method is only relevant if this estimator is used as a sub-estimator of a meta-estimator, e.g. used inside a Pipeline . Otherwise it has no effect.

Parameters:
return_stdstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

Metadata routing for return_std parameter in predict .

Returns:
selfobject

The updated object.

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → BayesianRidge#

Request metadata passed to the score method.

Note that this method is only relevant if enable_metadata_routing=True (see sklearn.set_config ). Please see User Guide on how the routing mechanism works.

The options for each parameter are:

  • True : metadata is requested, and passed to score if provided. The request is ignored if metadata is not provided.

  • False : metadata is not requested and the meta-estimator will not pass it to score .

  • None : metadata is not requested, and the meta-estimator will raise an error if the user provides it.

  • str : metadata should be passed to the meta-estimator with this given alias instead of the original name.

The default ( sklearn.utils.metadata_routing.UNCHANGED ) retains the existing request. This allows you to change the request for some parameters and not others.

Added in version 1.3.

Note

This method is only relevant if this estimator is used as a sub-estimator of a meta-estimator, e.g. used inside a Pipeline . Otherwise it has no effect.

Parameters:
sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

Metadata routing for sample_weight parameter in score .

Returns:
selfobject

The updated object.

On this page
Show Source