APLRRegressor#

链接到算法描述：自动分段线性回归

下面的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参考可以在这里找到。

class interpret.glassbox.APLRRegressor(**kwargs)#

初始化类。

Parameters:

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

explain_global(name=None)#

为模型提供全局解释。

Parameters:

name – 用户定义的解释名称。

Returns:

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)#

为提供的实例提供本地解释。

Parameters:

  • 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。

Returns:

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)#

返回预测的确定系数。

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()，而 \(v\) 是总平方和 ((y_true - y_true.mean()) ** 2).sum()。 最佳可能得分为1.0，且可能为负（因为 模型可能任意更差）。一个总是预测 y 的期望值而不考虑输入特征的常数模型，将获得 \(R^2\) 得分为0.0。

Parameters:

  • X (形状为 (n_samples, n_features) 的数组类) – 测试样本。对于某些估计器，这可能是预计算的内核矩阵或形状为 (n_samples, n_samples_fitted) 的通用对象列表，其中 n_samples_fitted 是用于估计器拟合的样本数量。

  • y (形状为 (n_samples,) 或 (n_samples, n_outputs) 的数组类) – X 的真实值。

  • sample_weight (形状为 (n_samples,)的类数组, 默认=None) – 样本权重。

Returns:

score – \(R^2\) 的 self.predict(X) 相对于 y。

Return type:

浮点数

注释

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'，以保持与r2_score()的默认值一致。这影响了所有多输出回归器的score方法（除了MultiOutputRegressor）。