econml.sklearn_extensions.linear_model.StatsModelsRLM

class econml.sklearn_extensions.linear_model.StatsModelsRLM(t=1.345, maxiter=50, tol=1e-08, fit_intercept=True, cov_type='H1')[source]

基类: econml.sklearn_extensions.linear_model._StatsModelsWrapper

一个模仿 statsmodels 包中稳健线性回归的类。

参数

t (float, default 1.345) – Huber t 函数的调整常数。
maxiter (int, default 50) – 尝试的最大迭代次数。
tol (float, default 1e-08) – 估计的收敛容差。
fit_intercept (bool, default True) – 此模型是否拟合截距。
cov_type ({‘H1’, ‘H2’, or ‘H3’}, default ‘H1’) – 指示协方差矩阵如何估计。有关更多信息，请参阅 statsmodels.robust.robust_linear_model.RLMResults。

__init__(t=1.345, maxiter=50, tol=1e-08, fit_intercept=True, cov_type='H1')[source]

方法

`__init__`([t, maxiter, tol, fit_intercept, ...])
`coef__interval`([alpha])	获取拟合系数的置信区间。
`fit`(X, y)	拟合模型。
`get_params`([deep])	获取此估计器的参数。
`intercept__interval`([alpha])	获取截距（如果未拟合截距则为 0）的置信区间。
`predict`(X)	根据实例数组预测输出。
`predict_interval`(X[, alpha])	获取预测的置信区间。
`prediction_stderr`(X)	获取预测的标准误差。
`set_params`(**params)	设置此估计器的参数。

属性

`coef_`	获取模型关于协变量的系数。
`coef_stderr_`	获取拟合系数的标准误差。
`intercept_`	获取截距（如果未拟合截距则为 0）。
`intercept_stderr_`	获取截距（如果未拟合截距则为 0）的标准误差。

coef__interval(alpha=0.05)

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__interval – 系数置信区间的下界和上界。
返回类型: {tuple ((p, d) array, (p,d) array), tuple ((d,) array, (d,) array)}

fit(X, y)[source]

拟合模型。

参数

X ((N, d) nd array_like) – 协变量
y ((N,) nd array_like or (N, p) array_like) – 输出变量

返回

self

返回类型

StatsModelsRLM

get_params(deep=True)

获取此估计器的参数。

参数: deep (bool, default=True) – 如果为 True，则返回此估计器及其包含的作为估计器的子对象的参数。
返回: params – 参数名称映射到其值。
返回类型: dict

intercept__interval(alpha=0.05)

获取截距（如果未拟合截距则为 0）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__interval – 截距的置信区间的下界和上界。
返回类型: {tuple ((p,) array, (p,) array), tuple (float, float)}

predict(X)

根据实例数组预测输出。

参数: X ((n, d) array_like) – 用于预测的协变量
返回: predictions – 预测的平均结果
返回类型: {(n,) array, (n,p) array}

predict_interval(X, alpha=0.05)

获取预测的置信区间。

参数

X ((n, d) array_like) – 用于预测的协变量
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

prediction_intervals – 预测平均结果的置信区间的下界和上界。

返回类型

{tuple ((n,) array, (n,) array), tuple ((n,p) array, (n,p) array)}

prediction_stderr(X)

获取预测的标准误差。

参数: X ((n, d) array_like) – 用于预测的协变量
返回: prediction_stderr – 我们预测的每个点的输出的每个坐标的标准误差。
返回类型: (n, p) array_like

set_params(**params)

设置此估计器的参数。

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

参数: **params (dict) – 估计器参数。
返回: self – 估计器实例。
返回类型: 估计器实例

property coef_

获取模型关于协变量的系数。

返回: coef_ – 线性回归中变量的系数。如果标签 y 是 p 维的，则结果是一个系数矩阵，其第 p 行包含与标签第 p 个坐标对应的系数。
返回类型: {(d,), (p, d)} nd array_like

property coef_stderr_

获取拟合系数的标准误差。

返回: coef_stderr_ – 系数的标准误差
返回类型: {(d,), (p, d)} nd array_like

property intercept_

获取截距（如果未拟合截距则为 0）。

返回: intercept_ – 线性回归的截距。如果标签 y 是 p 维的，则结果是一个向量，其第 p 个条目包含与标签第 p 个坐标对应的截距。
返回类型: float or (p,) nd array_like

property intercept_stderr_

获取截距（如果未拟合截距则为 0）的标准误差。

返回: intercept_stderr_ – 截距的标准误差
返回类型: float or (p,) nd array_like