9566

isotonic.isotonic_regression sklearn.isotonic.isotonic_regression(y, *, sample_weight=None, y_min=None, y_max=None, increasing=True) isotonic.isotonic_regression 파라미터 y = array-like of shape (n_samples,) # The data. sample_weightarray-like of shape (n_samples,), default=None # 회귀의 각 지점에 대한 가중치입니다. None이면 가중치가 1(동일한 가중치)로 설정됩니다. y_min = float, default=None # 가장 낮은 예측값의 하한값(최소값은 여전히 ​​높을 수 있음). 설정..

isotonic.check_increasing sklearn.isotonic.check_increasing(x, y) isotonic.check_increasing 파라미터 # x가 증가하면 y도 단조적으로 증가하는지(True)/감소하는지(False) 파악 x = array-like of shape (n_samples,) # Training data y = array-like of shape (n_samples,) # Training target

IsotonicRegression(등장성 회귀) class sklearn.isotonic.IsotonicRegression(*, y_min=None, y_max=None, increasing=True, out_of_bounds='nan') from sklearn.isotonic import IsotonicRegression IsotonicRegression 파라미터 y_min = float, default=None # 가장 낮은 예측값의 하한값(최소값은 여전히 ​​높을 수 있음). 설정하지 않으면 기본값은 -inf입니다. y_max = float, default=None # 가장 높은 예측 값의 상한값(최대값은 여전히 ​​낮을 수 있음). 설정하지 않으면 기본값은 +inf입니다. increasing = ..

plot_partial_dependence plot_partial_dependence은 1.0에서 더 이상 사용되지 않으며 1.2에서 제거됩니다. 대신 PartialDependenceDisplay.from_estimator를 사용하십시오. from sklearn.inspection import plot_partial_dependence plot_partial_dependence 파라미터 estimator = BaseEstimator X = {array-like, dataframe} of shape (n_samples, n_features) features = list of {int, str, pair of int, pair of str} feature_names = array-like of shape (..

PartialDependenceDisplay class sklearn.inspection.PartialDependenceDisplay(pd_results, *, features, feature_names, target_idx, pdp_lim, deciles, kind='average', subsample=1000, random_state=None) from sklearn.inspection import PartialDependenceDisplay PartialDependenceDisplay 파라미터 pd_results = list of Bunch # 변수에 대한 partial_dependence 결과 features = list of (int,) or list of (int, int) # 변수의 인덱스 ..

permutation_importance sklearn.inspection. permutation_importance ( estimator , X , y , * , 점수 = 없음 , n_repeats = 5 , n_jobs = 없음 , random_state = 없음 , sample_weight = 없음 , max_samples = 1.0 ) from sklearn.inspection import permutation_importance permutation_importance 파라미터 estimator = object X = ndarray or DataFrame, shape (n_samples, n_features) y = array-like or None, shape (n_samples, ) or (..

이전글 : 2021.12.29 - [/[Sklearn]] - sklearn.inspection.partial_dependence(이론) sklearn.inspection.partial_dependence(이론) partial_dependence Partial Dependence Function(부분의존도 함수) 용어 : partial는 회귀계수(가중치)를 의미한다. 베이스 : 주변확률분포 사용 목적 : target과 관심있는 변수의 평균영향력 or 관계를 알고자.. 9566.tistory.com partial_dependence sklearn.inspection.partial_dependence(estimator, X, features, *, response_method='auto', percentile..

partial_dependence Partial Dependence Function(부분의존도 함수) 용어 : partial는 회귀계수(가중치)를 의미한다. 베이스 : 주변확률분포 사용 목적 : target과 관심있는 변수의 평균영향력 or 관계를 알고자 쓴다. 사용법 : (’고정’이라는 단어를 사용한다.) 관심없는 변수(학위, 인종)는 놔두고 관심있는 변수(성별)를 고정시켜(=주변확률분포를 쓴다.) target(연봉 5천 이상=1, 이하=0)를 예측한다. 관심없는 변수(x1=학위, x2 = 인종)와 관심있는 변수(y=성별)로 아래와 같이 표를 만들면 3차원표가 만들어진다.(이론) 3. 사용하려면 3차원→1차원으로 바꿔야하지만 어려워 주변확률분포를 구하긴 힘들다.(이론) 4. 대체하자. 주변확률분포를 데..