逻辑回归#
链接到算法描述：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。
目前是scikit-learn中线性模型的封装：scikit-learn/scikit-learn
初始化类。
- Parameters:
feature_names – 特征名称列表。
feature_types – 特征类型的列表。
linear_class – 一个 scikit-learn 线性类。
**kwargs – 在初始化时传递给线性类的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。
- fit(X, y)#
将模型适配到提供的实例。
- Parameters:
X – 用于训练实例的Numpy数组。
y – 作为训练标签的Numpy数组。
- Returns:
它本身。
- predict(X)#
对提供的实例进行预测。
- Parameters:
X – 实例的Numpy数组。
- Returns:
每个实例的预测类别标签。
- predict_proba(X)#
在提供的实例上进行概率估计。
- Parameters:
X – 实例的Numpy数组。
- Returns:
每个类别的实例的概率估计。
- score(X, y, sample_weight=None)#
返回给定测试数据和标签的平均准确率。
在多标签分类中，这是子集准确度 这是一个严格的指标，因为您要求每个样本的 每个标签集都被正确预测。
- Parameters:
X (形状为 (n_samples, n_features) 的数组) – 测试样本。
y (形状为 (n_samples,) 或 (n_samples, n_outputs) 的数组类) – X 的真实标签。
sample_weight (形状为 (n_samples,)的类数组, 默认=None) – 样本权重。
- Returns:
score –
self.predict(X)相对于 y 的平均准确率。- Return type:
浮点数