`sklearn.isotonic`.IsotonicRegression¶

class sklearn.isotonic.IsotonicRegression¶

Modelo de regresión isotónica.

Más información en el Manual de usuario.

Nuevo en la versión 0.13.

Parámetros

y_minfloat, default=None

Límite inferior del valor mínimo predicho (el valor mínimo puede ser aún mayor). Si no se establece, el valor predeterminado es -inf.

y_maxfloat, default=None

Límite superior del valor más alto predicho (el máximo puede ser aún más bajo). Si no se establece, el valor predeterminado es +inf.

increasingbooleano o “auto”, default=True

Determina si las predicciones deben ser restringidas para aumentar o disminuir con X. “auto” decidirá basándose en el signo de la estimación de la correlación de Spearman.

out_of_bounds{“nan”, “clip”, “raise”}, default=”nan”

Maneja cómo se manejan los valores X fuera del dominio de entrenamiento durante la predicción.

“nan”, las predicciones serán NaN.
“clip”, las predicciones se establecerán en el valor correspondiente al punto final del intervalo de entrenamiento más cercano.
“raise”, se produce un ValueError.

Atributos

X_min_float: Valor mínimo de un arreglo de entrada X_ para el límite izquierdo.
X_max_float: Valor máximo del arreglo de entrada X_ para el límite derecho.
X_umbrales_ndarray de forma (n_thresholds,): Valores únicos ascendentes X utilizados para interpolar la función monótona y = f(X).

Nuevo en la versión 0.24.
y_thresholds_ndarray de forma (n_thresholds,): Valores y desdoblados adecuados para interpolar la función monótona y = f(X).

Nuevo en la versión 0.24.
f_function: La función de interpolación por pasos que cubre el dominio de entrada X.
increasing_bool: Valor inferido para increasing.

Notas

Los lazos se rompen utilizando el método secundario de de Leeuw, 1977.

Referencias

Isotonic Median Regression: A Linear Programming Approach Nilotpal Chakravarti Mathematics of Operations Research Vol. 14, No. 2 (May, 1989), pp. 303-308

Isotone Optimization in R : Pool-Adjacent-Violators Algorithm (PAVA) and Active Set Methods de Leeuw, Hornik, Mair Journal of Statistical Software 2009

Correctness of Kruskal’s algorithms for monotone regression with ties de Leeuw, Psychometrica, 1977

Ejemplos

>>> from sklearn.datasets import make_regression
>>> from sklearn.isotonic import IsotonicRegression
>>> X, y = make_regression(n_samples=10, n_features=1, random_state=41)
>>> iso_reg = IsotonicRegression().fit(X, y)
>>> iso_reg.predict([.1, .2])
array([1.8628..., 3.7256...])

Métodos

`fit`	Ajusta el modelo usando X, y como datos de entrenamiento.
`fit_transform`	Ajusta los datos y luego los transforma.
`get_params`	Obtiene los parámetros para este estimador.
`predict`	Predice nuevos datos por interpolación lineal.
`score`	Devuelve el coeficiente de determinación \(R^2\) de la predicción.
`set_params`	Establece los parámetros de este estimador.
`transform`	Transforma nuevos datos por interpolación lineal

fit()¶

Ajusta el modelo usando X, y como datos de entrenamiento.

Parámetros

Xarray-like de forma (n_samples,) or (n_samples, 1): Datos del entrenamiento.

Distinto en la versión 0.24: También acepta arreglo 2D con 1 característica.
yarray-like de forma (n_samples,): Objetivo de entrenamiento.
sample_weightarray-like de forma (n_samples,), default=None: Ponderación. Si se establece como None, toda la ponderación se establecerá en 1 (ponderaciones iguales).

Devuelve

selfobject: Devuelve una instancia de sí misma.

Notas

X se almacena para su uso futuro, ya que transform necesita X para interpolar los nuevos datos de entrada.

fit_transform()¶

Ajusta los datos y luego los transforma.

Ajusta el transformador a X y y con los parámetros opcionales fit_params y devuelve una versión transformada de X.

Parámetros

Xarray-like de forma (n_samples, n_features): Muestras de entrada.
yarray-like de forma (n_samples,) o (n_samples, n_outputs), default=None: Valores objetivo (None para transformaciones no supervisadas).
**fit_paramsdict: Parámetros de ajuste adicionales.

Devuelve

X_newarreglo ndarray de forma (n_samples, n_features_new): Arreglo transformado.

get_params()¶

Obtiene los parámetros para este estimador.

Parámetros

deepbool, default=True: Si es True, devolverá los parámetros para este estimador y los subobjetos contenidos que son estimadores.

Devuelve

paramsdict: Nombres de parámetros mapeados a sus valores.

predict()¶

Predice nuevos datos por interpolación lineal.

Parámetros

Tarray-like de forma (n_samples,) or (n_samples, 1): Datos a transformar.

Devuelve

y_predndarray de forma (n_samples,): Datos transformados.

score()¶

Devuelve el coeficiente de determinación \(R^2\) de la predicción.

El coeficiente \(R^2\) se define como \((1 - \frac{u}{v})\), donde \(u\) es la suma residual de cuadrados ((y_true - y_pred) ** 2).sum() y \(v\) es la suma total de cuadrados ((y_true - y_true.mean()) ** 2).sum(). La mejor puntuación posible es 1.0 y puede ser negativa (porque el modelo puede ser arbitrariamente peor). Un modelo constante que siempre predice el valor esperado de y, sin tener en cuenta las características de entrada, obtendría una puntuación \(R^2\) de 0.0.

Parámetros

Xarray-like de forma (n_samples, n_features): Muestras de prueba. Para algunos estimadores puede ser una matriz de núcleo precalculada o una lista de objetos genéricos con forma (n_samples, n_samples_fitted), donde n_samples_fitted es el número de muestras utilizadas en el ajuste para el estimador.
yarray-like de forma (n_samples,) o (n_samples, n_outputs): Valores verdaderos para X.
sample_weightarray-like de forma (n_samples,), default=None: Ponderaciones de muestra.

Devuelve

scorefloat: \(R^2\) de self.predict(X) con respecto a y.

Notas

La puntuación \(R^2\) utilizada al llamar a score en un regresor utiliza multioutput='uniform_average' desde la versión 0.23 para mantener la coherencia con el valor predeterminado de r2_score`. Esto influye en el método score de todos los regresores de salida múltiple (excepto para MultiOutputRegressor).

set_params()¶

Establece los parámetros de este estimador.

El método funciona tanto en estimadores simples como en objetos anidados (como Pipeline). Estos últimos tienen parámetros de la forma <component>__<parameter>` para que sea posible actualizar cada componente de un objeto anidado.

Parámetros

**paramsdict: Parámetros del estimador.

Devuelve

selfinstancia del estimador: Instancia del estimador.

transform()¶

Transforma nuevos datos por interpolación lineal

Parámetros

Tarray-like de forma (n_samples,) or (n_samples, 1): Datos a transformar.

Distinto en la versión 0.24: También acepta arreglo 2D con 1 característica.

Devuelve

y_predndarray de forma (n_samples,): Datos transformados