econml.sklearn_extensions.linear_model.MultiOutputDebiasedLasso

class econml.sklearn_extensions.linear_model.MultiOutputDebiasedLasso(alpha='auto', n_alphas=100, alpha_cov='auto', n_alphas_cov=10, fit_intercept=True, precompute=False, copy_X=True, max_iter=1000, tol=0.0001, warm_start=False, random_state=None, selection='cyclic', n_jobs=None)[源代码]

基类: sklearn.multioutput.MultiOutputRegressor

去偏 MultiOutputLasso 模型。

实现源自 <https://arxiv.org/abs/1303.0518>。对每个目标应用一次去偏 Lasso。如果只传入扁平目标，则会退化为 DebiasedLasso 算法。

参数

alpha (str | float, 可选. 默认 ‘auto’.) – 乘以 L1 项的常数。默认为 ‘auto’。alpha = 0 等同于普通最小二乘，由 LinearRegression 对象解决。出于数值原因，不建议使用 Lasso 对象且 alpha = 0。鉴于此，您应该使用 LinearRegression 对象。
n_alphas (int, default 100) – 如果 alpha=’auto’，尝试多少个 alpha
alpha_cov (str | float, default ‘auto’) – 用于构建用于校正 lasso 系数的协方差矩阵 Theta 的伪逆时使用的正则化 alpha。每一次这样的回归对应于一个特征对其余特征的回归。
n_alphas_cov (int, default 10) – 如果 alpha_cov=’auto’，尝试多少个 alpha_cov。
fit_intercept (bool, default True) – 是否为该模型计算截距。如果设置为 False，则计算中不使用截距（例如，数据已中心化）。
precompute (True | False | array_like, default False) – 是否使用预计算的 Gram 矩阵来加速计算。如果设置为 'auto' 则由我们决定。Gram 矩阵也可以作为参数传入。对于稀疏输入，该选项始终为 True 以保持稀疏性。
copy_X (bool, default True) – 如果 True，X将被复制；否则，可能会被覆盖。
max_iter (int, 可选) – 最大迭代次数
tol (float, 可选) – 优化的容差：如果更新小于 tol，优化代码会检查对偶间隙是否最优，并持续进行直到小于 tol。
warm_start (bool, 可选) – 设置为 True 时，重用前一次调用 fit 的解作为初始化，否则，清除前一次的解。参见词汇表。
random_state (int, RandomState 实例, 或 None, default None) – 选择随机特征进行更新的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 selection='random' 时使用。
selection (str, default ‘cyclic’) – 如果设置为 ‘random’，则每次迭代更新一个随机系数，而不是默认的按顺序遍历特征。这（设置为 ‘random’）通常会导致显著更快的收敛，尤其是在容差高于 1e-4 时。
n_jobs (int, 可选) – 并行调用时使用多少个作业

coef_

参数向量（成本函数公式中的 w）。

类型: 数组，形状 (n_targets, n_features) 或 (n_features,)

intercept_

决策函数中的独立项。

类型: 数组，形状 (n_targets, ) 或 float

selected_alpha_

通过交叉验证选择的惩罚，如果 alpha=’auto’。

类型: 数组，形状 (n_targets, ) 或 float

coef_stderr_

系数的估计标准误（参见 coef_ 属性）。

类型: 数组，形状 (n_targets, n_features) 或 (n_features, )

intercept_stderr_

估计截距的标准误（参见 intercept_ 属性）。

类型: 数组，形状 (n_targets, ) 或 float

__init__(alpha='auto', n_alphas=100, alpha_cov='auto', n_alphas_cov=10, fit_intercept=True, precompute=False, copy_X=True, max_iter=1000, tol=0.0001, warm_start=False, random_state=None, selection='cyclic', n_jobs=None)[源代码]

方法

`__init__`([alpha, n_alphas, alpha_cov, ...])
`coef__interval`([alpha])	获取拟合系数的置信区间。
`fit`(X, y[, sample_weight])	拟合多输出去偏 Lasso 模型。
`get_params`([deep])	获取此估计器的参数。
`intercept__interval`([alpha])	获取拟合截距的置信区间。
`partial_fit`(X, y[, sample_weight])	为每个输出变量对数据进行增量拟合模型。
`predict`(X)	使用去偏 Lasso 进行预测。
`predict_interval`(X[, alpha])	使用去偏 Lasso 构建预测置信区间。
`prediction_stderr`(X)	使用去偏 Lasso 获取预测的标准误。
`score`(X, y[, sample_weight])	返回预测的决定系数。
`set_params`(**params)	设置此估计器的参数。

coef__interval(alpha=0.05)[源代码]

获取拟合系数的置信区间。

参数: alpha (float, default 0.05) – 置信水平。将计算参数分布的 alpha/2 分位数和 (1-alpha/2) 分位数作为置信区间
返回: (coef_lower, coef_upper) – 返回系数的下限和上限区间端点。
返回类型: 数组元组，形状 (n_targets, n_coefs) 或 (n_coefs, )

fit(X, y, sample_weight=None)[源代码]

拟合多输出去偏 Lasso 模型。

参数

X (ndarray 或 scipy.sparse 矩阵, (n_samples, n_features)) – 输入数据。
y (数组, 形状 (n_samples, n_targets) 或 (n_samples, )) – 目标。如有必要，将转换为 X 的 dtype
sample_weight (numpy 数组，形状 [n_samples]) – 每个样本的个体权重。权重将在内部归一化。

get_params(deep=True)[源代码]: 获取此估计器的参数。

intercept__interval(alpha=0.05)[源代码]

获取拟合截距的置信区间。

参数: alpha (float, default 0.05) – 置信水平。将计算参数分布的 alpha/2 分位数和 (1-alpha/2) 分位数作为置信区间
返回: (intercept_lower, intercept_upper) – 返回截距的下限和上限区间端点。
返回类型: 数组元组，大小 (n_targets, ) 或 float 元组

partial_fit(X, y, sample_weight=None)

为每个输出变量对数据进行增量拟合模型。

参数

X (类数组, 稀疏矩阵，形状 (n_samples, n_features)) – 输入数据。
y (类数组, 稀疏矩阵，形状 (n_samples, n_outputs)) – 多输出目标。
sample_weight (类数组，形状 (n_samples,), default=None) – 样本权重。如果为 None，则样本权重相同。仅当底层回归器支持样本权重时支持。

返回

self – 返回已拟合的实例。

返回类型

对象

predict(X)[源代码]

使用去偏 Lasso 进行预测。

参数: X (ndarray 或 scipy.sparse 矩阵, (n_samples, n_features)) – 样本。
返回: prediction – 各点的预测值。
返回类型: 类数组，形状 (n_samples, ) 或 (n_samples, n_targets)

predict_interval(X, alpha=0.05)[源代码]

使用去偏 Lasso 构建预测置信区间。

参数

X (ndarray 或 scipy.sparse 矩阵, (n_samples, n_features)) – 样本。
alpha (float 在 [0, 1] 中, default 0.05) – 报告区间的总体置信水平。报告 alpha/2, 1-alpha/2 置信区间。

返回

(y_lower, y_upper) – 返回下限和上限区间端点。

返回类型

数组元组，形状 (n_samples, n_targets) 或 (n_samples, )

prediction_stderr(X)[源代码]

使用去偏 Lasso 获取预测的标准误。

参数: X (ndarray 或 scipy.sparse 矩阵, (n_samples, n_features)) – 样本。
返回: prediction_stderr – 在每个预测点输出的每个坐标的标准误。
返回类型: 类数组，形状 (n_samples, ) 或 (n_samples, n_targets)

score(X, y, sample_weight=None)

返回预测的决定系数。

决定系数 \(R^2\) 定义为 \((1 - \frac{u}{v})\)，其中 \(u\) 是残差平方和 ((y_true - y_pred)** 2).sum()，\(v\) 是总平方和 ((y_true - y_true.mean()) ** 2).sum()。最好的可能分数是 1.0，它可以是负数（因为模型可能任意糟糕）。一个始终预测 y 期望值的常数模型，忽略输入特征，将获得 0.0 的 \(R^2\) 分数。

参数

X (类数组，形状 (n_samples, n_features)) – 测试样本。对于某些估计器，这可能是预计算的核矩阵或通用对象列表，其形状为 (n_samples, n_samples_fitted)，其中 n_samples_fitted 是用于拟合估计器的样本数。
y (类数组，形状 (n_samples,) 或 (n_samples, n_outputs)) – X 的真实值。
sample_weight (类数组，形状 (n_samples,), default=None) – 样本权重。

返回

score – self.predict(X) 相对于 y 的 \(R^2\)。

返回类型

float

注意

调用回归器上的 score 时使用的 \(R^2\) 分数从 0.23 版本开始使用 multioutput='uniform_average'，以与 r2_score() 的默认值保持一致。这会影响所有多输出回归器（除了 MultiOutputRegressor）的 score 方法。

set_params(**params)[源代码]: 设置此估计器的参数。