`sklearn.linear_model`.GammaRegressor¶

class sklearn.linear_model.GammaRegressor¶

Modelo lineal generalizado con distribución Gamma.

Más información en el Manual de usuario.

Nuevo en la versión 0.23.

Parámetros

alphafloat, default=1: Constante que multiplica el termino de penalización y determina así la fuerza de regularización. alpha = 0 es equivalente a MLG no penalizados. En este caso, la matriz de diseño `X``debe tener rango de columna completo (sin colinealidades).
fit_interceptbool, default=True: Específica si una constante (también conocido como sesgo o intercepto) debería ser añadida al predictor lineal (X @ coef + intercept).
max_iterint, default=100: El número máximo de iteraciones para el solucionador.
tolfloat, default=1e-4: Criterio de parada. Para el solucionador lbfgs, la iteración se detendrá cuando max{|g_j|, j = 1, ..., d} <= tol donde g_j es el j-ésimo componente del gradiente (derivativo) de la función objetivo.
warm_startbool, default=False: Si se establece como True, reutiliza la solución de la llamada anterior a fit como inicialización para coef_ y intercept_.
verboseint, default=0: Para el solucionador lbfgs establezca verbose a cualquier número positivo para la verbosidad.

Atributos

coef_arreglo de forma (n_features,): Coeficientes estimados para el predictor lineal (X * coef_ + intercept_) en el MLG.
intercept_flotante/flotador: Intercepto (o sesgo) añadido al predictor lineal.
n_iter_int: Número actual de iteraciones utilizadas en el solucionador.

Ejemplos

>>> from sklearn import linear_model
>>> clf = linear_model.GammaRegressor()
>>> X = [[1, 2], [2, 3], [3, 4], [4, 3]]
>>> y = [19, 26, 33, 30]
>>> clf.fit(X, y)
GammaRegressor()
>>> clf.score(X, y)
0.773...
>>> clf.coef_
array([0.072..., 0.066...])
>>> clf.intercept_
2.896...
>>> clf.predict([[1, 0], [2, 8]])
array([19.483..., 35.795...])

Métodos

`fit`	Ajuste de un Modelo Lineal Generalizado.
`get_params`	Obtiene los parámetros para este estimador.
`predict`	Predice utilizando el MLG con matriz de características X.
`score`	Calcula D^2, el porcentaje de desviación explicado.
`set_params`	Establece los parámetros de este estimador.

fit()¶

Ajuste de un Modelo Lineal Generalizado.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features): Datos del entrenamiento.
yarray-like de forma (n_samples,): Valores objetivo.
sample_weightarray-like de forma (n_samples,), default=None: Ponderados de muestras.

Devuelve

selfdevuelve una instancia de sí misma.

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 utilizando el MLG con matriz de características X.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features): Muestras.

Devuelve

y_predarreglo de forma (n_samples,): Devuelve los valores predichos.

score()¶

Calcula D^2, el porcentaje de desviación explicado.

D^2 es una generalización del coeficiente de determinación R^2. R^2 utiliza el error cuadrático y una desviación D^2. Note que los dos son iguales para family='normal'.

D^2 esta definido como \(D^2 = 1-\frac{D(y_{true},y_{pred})} {D_{null}}\), \(D_{null}\) es la desviación nula, es decir, la desviación de un modelo con nada más el intercepto, que corresponde a \(y_{pred} = \bar{y}\). El medio \(\bar{y}\) es promediado por sample_weight. La mejor puntuación posible es 1.0 y puede ser negativa (porque el modelo puede ser arbitrariamente peor).

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features): Muestras de prueba.
yarray-like de forma (n_samples,): Valores reales del objetivo.
sample_weightarray-like de forma (n_samples,), default=None: Ponderados de muestras.

Devuelve

scoreflotante/flotador: D^2 de self.predict(X) con relación a y.

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 de estimador: Instancia del estimador.

Ejemplos usando `sklearn.linear_model.GammaRegressor`¶

sklearn.linear_model.GammaRegressor¶

Ejemplos usando sklearn.linear_model.GammaRegressor¶

`sklearn.linear_model`.GammaRegressor¶

Ejemplos usando `sklearn.linear_model.GammaRegressor`¶