等值回归算法演示

等值回归算法是一种非参数模型,它在最小化训练数据上的均方误差的同时,寻找一个非递减的函数近似。这种模型的优势在于,除了单调性之外,它不对目标函数的形状做任何假设。与之相比,线性回归模型则假设目标函数是一条直线。右侧的图表展示了通过线性插值阈值点得到的模型预测函数。阈值点是训练输入观测值的一个子集,它们的匹配目标值由等值非参数拟合计算得出。

在下面的Python代码中,首先导入了必要的库,然后生成了一组随机数据,并对其进行了等值回归和线性回归的拟合。等值回归模型通过设置out_of_bounds="clip"参数来控制模型在训练集观察到的数据范围之外的外推方式。这种“剪切”外推可以在右侧的决策函数图表上看到。

import matplotlib.pyplot as plt import numpy as np from matplotlib.collections import LineCollection from sklearn.isotonic import IsotonicRegression from sklearn.linear_model import LinearRegression from sklearn.utils import check_random_state n = 100 x = np.arange(n) rs = check_random_state(0) y = rs.randint(-50, 50, size=(n,)) + 50.0 * np.log1p(np.arange(n)) # 拟合等值回归和线性回归模型 ir = IsotonicRegression(out_of_bounds="clip") y_ = ir.fit_transform(x, y) lr = LinearRegression() lr.fit(x[:, np.newaxis], y) # x需要是2D以适应LinearRegression # 绘制结果 segments = [[i, y[i]], [i, y_[i]] for i in range(n)] lc = LineCollection(segments, zorder=0) lc.set_array(np.ones(len(y))) lc.set_linewidths(np.full(n, 0.5)) fig, (ax0, ax1) = plt.subplots(ncols=2, figsize=(12, 6)) ax0.plot(x, y, "C0.", markersize=12) ax0.plot(x, y_, "C1.-", markersize=12) ax0.plot(x, lr.predict(x[:, np.newaxis]), "C2-") ax0.add_collection(lc) ax0.legend(("训练数据", "等值拟合", "线性拟合"), loc="lower right") ax0.set_title("等值回归拟合在噪声数据上 (n=%d)" % n) x_test = np.linspace(-10, 110, 1000) ax1.plot(x_test, ir.predict(x_test), "C1-") ax1.plot(ir.X_thresholds_, ir.y_thresholds_, "C1.", markersize=12) ax1.set_title("预测函数 (%d个阈值)" % len(ir.X_thresholds_)) plt.show()

请注意,在IsotonicRegression构造函数中明确传递了out_of_bounds="clip"参数,以控制模型在训练集观察到的数据范围之外的外推方式。这种“剪切”外推可以在右侧的决策函数图表上看到。脚本的总运行时间为:(0分钟 0.137秒)。

相关示例

  • 回归模型中目标变换的效果
  • PCA和逻辑回归的流水线
  • 概率校准曲线
  • 分类器的概率校准
沪ICP备2024098111号-1
上海秋旦网络科技中心:上海市奉贤区金大公路8218号1幢 联系电话:17898875485