APLRRegressor

算法描述链接： 自动分段线性回归

以下 API 参考解释了 InterpretML 中轻量级包装器添加的方法。其余成员和方法的 API 参考可在 此处 找到。

class interpret.glassbox.APLRRegressor(**kwargs)

初始化类。

参数:

**kwargs – 初始化时传递给 APLRRegressor 的 kwargs。

explain_global(name=None)

提供模型的全局解释。

参数:

name – 用户定义的解释名称。

返回:

一个解释对象，将特征-值对可视化为水平条形图。

explain_local(X, y=None, name=None)

为提供的实例提供局部解释。

参数:

• X – 要解释的 X 的 Numpy 数组。

• y – 要解释的 y 的 Numpy 向量。

• name – 用户定义的解释名称。

返回:

一个解释对象，将每个实例的特征-值对可视化为水平条形图。

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()。最佳可能得分是 1.0，它可以是负数（因为模型的性能可能任意差）。一个总是预测 y 的期望值而忽略输入特征的常数模型将获得 0.0 的 \(R^2\) 分数。

参数:

• X (shape 为 (n_samples, n_features) 的数组类型) – 测试样本。对于某些估计器，这可能是预先计算的核矩阵，或者是一个泛型对象列表，其形状为 (n_samples, n_samples_fitted)，其中 n_samples_fitted 是估计器拟合过程中使用的样本数量。

• y (shape 为 (n_samples,) 或 (n_samples, n_outputs) 的数组类型) – X 的真实值。

• sample_weight (shape 为 (n_samples,) 的数组类型, 默认为 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

在回归器上调用 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。