逻辑回归#
算法描述链接：线性模型
- class interpret.glassbox.LogisticRegression(feature_names=None, feature_types=None, linear_class=<class 'sklearn.linear_model._logistic.LogisticRegression'>, **kwargs)#
逻辑回归。
当前是 scikit-learn 中线性模型的包装器：scikit-learn/scikit-learn
初始化类。
- 参数:
feature_names – 特征名称列表。
feature_types – 特征类型列表。
linear_class – 一个 scikit-learn 线性类。
**kwargs – 初始化时传递给线性类的关键字参数。
- 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 – 用于解释的 X 的 Numpy 数组。
y – 用于解释的 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。
- fit(X, y)#
将模型拟合到提供的实例。
- 参数:
X – 用于训练实例的 Numpy 数组。
y – 作为训练标签的 Numpy 数组。
- 返回:
其自身。
- predict(X)#
对提供的实例进行预测。
- 参数:
X – 实例的 Numpy 数组。
- 返回:
每个实例的预测类别标签。
- predict_proba(X)#
对提供的实例进行概率估计。
- 参数:
X – 实例的 Numpy 数组。
- 返回:
每个实例对每个类别的概率估计。
- score(X, y, sample_weight=None)#
返回给定测试数据和标签上的平均准确率。
在多标签分类中，这是子集准确率，这是一个严格的度量标准，因为它要求每个样本的每个标签集合都被正确预测。
- 参数:
X (shape 为 (n_samples, n_features) 的类数组对象) – 测试样本。
y (shape 为 (n_samples,) 或 (n_samples, n_outputs) 的类数组对象) – X 的真实标签。
sample_weight (shape 为 (n_samples,) 的类数组对象, 默认值=None) – 样本权重。
- 返回:
score –
self.predict(X)相对于 y 的平均准确率。- 返回类型:
float