Scikit-learn: पोइसन, गामा और ट्वीडी परिवार हानि कार्यों का

मुझे लगता है कि हमें कम से कम एक पॉइसन रिग्रेशन जोड़ना चाहिए, हालांकि मैं इससे बहुत परिचित नहीं हूं।
क्या आपके पास खुले उदाहरण डेटासेट हैं?
गामा हानि किस प्रकार के डेटा पर प्रयोग की जाती है?

क्या आप ऑफ़सेट के बारे में विस्तार से बता सकते हैं?

मुझे लगता है कि ये सभी linear_model में अलग-अलग मॉडल होंगे। मुझे यकीन नहीं है कि क्या वे आमतौर पर एल-बीएफजीएस का उपयोग करके सीखे जाते हैं या यदि लोग सीडी सॉल्वर का उपयोग करते हैं? हो सकता है @mblondel या @larsmans या @agramfort अधिक जानते हों?

पॉइसन वितरण व्यापक रूप से गणना डेटा मॉडलिंग के लिए उपयोग किया जाता है। यह एक सामान्य सन्निकटन के लिए एक द्विपद के लिए सीमित वितरण के रूप में दिखाया जा सकता है जहां परीक्षणों की संख्या अनंत तक जाती है और संभावना शून्य हो जाती है और दोनों ऐसी दर पर होते हैं कि एनपी आपकी प्रक्रिया के लिए कुछ औसत आवृत्ति के बराबर है। गामा को सैद्धांतिक रूप से पॉइज़न घटना होने तक का समय दिखाया जा सकता है। तो उदाहरण के लिए इस वर्ष आपके पास होने वाली दुर्घटनाओं की संख्या सैद्धांतिक रूप से पॉइज़न दिखाया जा सकता है। और आपकी अगली दुर्घटना या तीसरी बार होने तक का अपेक्षित समय एक गामा प्रक्रिया है। ट्वीडी इन वितरणों का एक सामान्यीकृत अभिभावक है जो शून्य पर अतिरिक्त भार की अनुमति देता है। ट्वीडी को मॉडलिंग लॉस डॉलर के रूप में सोचें और सभी ग्राहकों में से 99 प्रतिशत का वजन शून्य है, बाकी के पास लंबी पूंछ वाली सकारात्मक हानि या गामा है। व्यवहार में इन वितरणों का व्यापक रूप से बीमा, जोखिम मॉडलिंग, आपदा मॉडल, वित्त, अर्थशास्त्र और सामाजिक विज्ञान में प्रतिगमन समस्याओं के लिए उपयोग किया जाता है। विकिपीडिया को संदर्भित करने के लिए स्वतंत्र महसूस करें। मैं इन नुकसान कार्यों को glmnet, GBM और यादृच्छिक वन में विकल्प के रूप में रखना चाहता हूं। इसका मतलब यह है कि जीबीएम में उदाहरण के लिए फ्रीडमैन का बूस्टिंग एल्गोरिथम गाऊसी या चतुर्थक हानि के बजाय इस नुकसान का उपयोग करेगा। गामा और पोइसन (बीटा ट्वीडी) पहले से ही GBM और glm पैकेज में हैं और xgboost को कुछ समर्थन है। ऑफ़सेट का उपयोग चिकित्सकों द्वारा एक्सपोज़र द्वारा अपने डेटा को वेट करने के लिए किया जाता है। आम तौर पर एक पॉइसन मॉडल में एक लिंक फ़ंक्शन होता है: yhat=offset x exp(regression model output) को लॉग लिंक कहा जाता है और यह सबसे आम है। यहां ऑफसेट अवलोकन की विभिन्न इकाइयों के लिए एक्सपोजर को अलग-अलग तरीके से कैप्चर करने की अनुमति देता है। पॉइसन प्रक्रियाएं योगात्मक होती हैं लेकिन अलग-अलग उदाहरण गैर-बराबर स्थान या समय या ग्राहक गणना पर लिए गए हो सकते हैं और इसलिए प्रत्येक अवलोकन के लिए ऑफसेट वेक्टर की आवश्यकता होती है। मैं इसे प्रोग्रामिंग से निपटने के लिए तैयार हूं लेकिन मैं एपीआई से बहुत परिचित नहीं हूं इसलिए मैं सुझावों की सराहना करता हूं इसलिए मैं इसे सही करता हूं और इसे रिलीज में घुमाता हूं।

ठीक है, मैं इसे लागू करने पर काम कर रहा हूं। मैं ऊपर बताए गए तीन वितरण और ऑफसेट जोड़ रहा हूं। मैं ऑफ़सेट को कार्यान्वित करने के तरीके पर सामान्य स्केलेर दर्शकों से प्रतिक्रिया की सराहना करता हूं। मैं GradientBoostedRegression कॉल 'ऑफ़सेट = कोई नहीं' में एक नया तर्क जोड़ने की योजना बना रहा हूँ जहाँ ऑफ़सेट लंबाई n (नमूनों की संख्या) के साथ ऑब्जेक्ट जैसा वेक्टर होगा। मेरा मुख्य प्रश्न यह है कि क्या मुझे सभी हानि कार्यों (गॉसियन, ह्यूबर, क्वांटाइल) में ऑफसेट जोड़ना चाहिए जैसे कि आर के जीबीएम कार्यान्वयन में किया जाता है या क्या मुझे केवल ऑफसेट को ट्वीडी परिवार के साथ काम करने में सक्षम करना चाहिए और यदि आप कोशिश करते हैं तो चेतावनी फेंक दें एक असमर्थित हानि फ़ंक्शन के साथ ऑफ़सेट का उपयोग करने के लिए?

मैं व्यावहारिक उपयोग-मामलों के बारे में अधिक पूछ रहा था, जैसे डेटा-सेट या प्रकाशन में। मुझे पता है कि वितरण क्या करते हैं;)

यह शायद एक अच्छा जोड़ होगा, हालांकि मैं आपको गारंटी नहीं दे सकता कि आपके योगदान को मिला दिया जाएगा। इसमें कूदने से पहले शायद इस पर अधिक व्यापक चर्चा करना अच्छा होगा। जब तक आप इसे केवल अपने लिए लागू नहीं करना चाहते हैं और अगर हम इसे मर्ज करते हैं तो परवाह नहीं है;)

तो मुझे लगता है कि आप ज्यादातर ग्रेडिएंट बूस्टिंग में रुचि रखते हैं, लीनियर मॉडल में नहीं?

पिंग @pprett @glouppe @arjoly

मुझे इसे चारों ओर एकीकृत करने में दिलचस्पी है, लेकिन ज्यादातर पेड़ के समूह
सबसे पहले। किसी भी तरह से वे यादृच्छिक वन के रूप में उचित मात्रा में डुप्लिकेट काम करते हैं
और GBM दोनों में प्रत्येक हानि फलन के लिए भिन्न ABC है। तो मैं बस कर सकता हूँ
एक बार काम करें और दुर्भाग्य से दोनों में काम करें। मुझे भी कुछ मिल सकता है
डेटासेट इसे मर्ज करने की प्रक्रिया कैसी दिखती है क्या प्रक्रिया?
क्या मुझे पालन करना चाहिए। मैं योगदान करने के लिए नया हूं इसलिए यह सुनिश्चित करना चाहता हूं कि यह हो गया है
सही। लेकिन जैसा मैंने कहा कि जीबीएम किसी और चीज से स्वतंत्र हानि वर्गों का इलाज करता है
स्केलेर में ताकि जीबीएम में मेरे परिवर्तन आसानी से अकेले खड़े हो सकें। मुझे बस करना है
.py स्क्रिप्ट पर कोड संपादित करें।
10 दिसंबर, 2015 को शाम 4:57 बजे, "एंड्रियास म्यूएलर" नोटिफिकेशन @github.com ने लिखा:

मैं व्यावहारिक उपयोग-मामलों के बारे में अधिक पूछ रहा था, जैसे डेटा-सेट या
प्रकाशन। मुझे पता है कि वितरण क्या करते हैं;)

यह शायद एक अच्छा जोड़ होगा, हालांकि मैं आपको इसकी गारंटी नहीं दे सकता
आपका योगदान विलय कर दिया जाएगा। इस पर चर्चा करना शायद अच्छा होगा
आपके कूदने से पहले अधिक व्यापक रूप से। जब तक आप इसे केवल इसके लिए लागू नहीं करना चाहते हैं
अपने आप को और अगर हम इसे मर्ज करते हैं तो परवाह नहीं है;)

इसलिए मुझे लगता है कि आप ज्यादातर ग्रेडिएंट बूस्टिंग में रुचि रखते हैं, लीनियर में नहीं
मॉडल?

पिंग @pprett https://github.com/pprett @glouppe
https://github.com/glouppe @arjoly https://github.com/arjoly

-
इस ईमेल का सीधे उत्तर दें या इसे GitHub पर देखें
https://github.com/scikit-learn/scikit-learn/issues/5975#issuecomment -163761067
.

हमारे जीबीएम विशेषज्ञों से कुछ इनपुट प्राप्त करना अच्छा होगा, जिन्हें मैंने ऊपर पिंग किया था, लेकिन आप मेलिंग सूची में यह पूछकर भी लिख सकते हैं कि क्या लोगों को इसके अलावा में दिलचस्पी होगी।

क्या आप भी L1/L2 दंड के साथ समन्वयक सॉल्वरों का समर्थन करने की योजना बना रहे हैं
जैसे _glmnet
?_

इस मुद्दे पर कोई अपडेट? मैं linear_models में जोड़ा गया एक पॉइसन प्रतिगमन देखना चाहता हूं, इसलिए मुझे sklearn का उपयोग करने के बाहर उद्यम करने की आवश्यकता नहीं है। यदि कोई सक्रिय रूप से इस पर काम नहीं कर रहा है, तो मैं इसे लागू करने के लिए कदम उठा सकता हूं।

AFAIK कोई नहीं।

इसे आज़माने और WIP कार्यान्वयन साझा करने में संकोच न करें।

मैं इस पर काम करने जा रहा था और अब भी कर रहा हूं। अगर मैं इसे करता हूं, हालांकि मैं
एपीआई में ऑफसेट जोड़ने के लिए एक साफ तरीका चाहिए। मैं एक जोड़ने के बारे में सोच रहा था
ऑफ़सेट क्वार्ग और डिफ़ॉल्ट कोई नहीं हो सकता है और नुकसान होने पर चेतावनी फेंक सकता है
जहर नहीं है। मैं मुख्य रूप से बीमा मॉडलिंग के लिए पॉइसन का उपयोग करता हूं जहां
ऑफसेट लॉग है (अर्जित जोखिम) मैं प्रयोग और वितरण से जानता हूं
सिद्धांत है कि विरल गणना डेटा के लिए आपको एक बहुत ही निम्न मॉडल मिलेगा
ऑफसेट के बिना। वर्तमान में R का रैखिक मॉडल और GBM दोनों ही पॉइसन का समर्थन करते हैं
ऑफसेट के साथ। तो यह मेरा वर्तमान टूल पर जाना है। मैं इसे इसमें जोड़ना चाहूंगा
sklearn हालांकि अगर अन्य इसे जोड़ना चाहते हैं।
1 मई 2016 को सुबह 4:03 बजे, "अलेक्जेंड्रे ग्रामफोर्ट" नोटिफिकेशन @github.com
लिखा था:

AFAIK कोई नहीं।

इसे आज़माने और WIP कार्यान्वयन साझा करने में संकोच न करें।

-
आप इसे प्राप्त कर रहे हैं क्योंकि आपने सूत्र को लिखा है।
इस ईमेल का सीधे उत्तर दें या इसे GitHub पर देखें
https://github.com/scikit-learn/scikit-learn/issues/5975#issuecomment -216024458

@thenomemac क्या आपके पास एक डब्ल्यूआईपी कार्यान्वयन है जिसे मैं देख सकता हूं?

ऑफ़सेट के लिए, क्या आप उपयोगकर्ता को केवल ऑफ़सेट/एक्सपोज़र द्वारा अपनी गणनाओं को विभाजित करने की आवश्यकता नहीं कर सकते हैं ताकि "y" मान को एक गणना के बजाय एक दर बनाया जा सके (https://en.wikipedia.org/wiki/Poisson_regression#। 22Exposure.22_and_offset)? आर के जीएलएम पैकेज में मॉडल निर्दिष्ट करने के लिए एक महान इंटरफ़ेस है (ऑफसेट निर्दिष्ट करने सहित) लेकिन यह सुनिश्चित नहीं है कि यह मौजूदा रैखिक मॉडल एपीआई में कैसे फिट होगा।

@bjlkeng मेरे पास अभी तक एक डब्ल्यूआईपी कार्यान्वयन पूरा नहीं हुआ है। मैंने कुछ देर पहले शुरू किया फिर विचलित हो गया। मुझे नहीं लगता कि पॉइसन दर प्राप्त करने के लिए एक्सपोजर द्वारा विभाजित करना पॉइसन हानि के लिए जीबीएम एल्गोरिदम की सही व्युत्पत्ति है। ऑफ़सेट = लॉग (एक्सपोज़र) ग्रेडिएंट में एक योगात्मक कारक है। तो, आप उच्च जोखिम वाले "क्षेत्रों" को प्रभावी ढंग से अधिक वजन दे रहे हैं। 100% सुनिश्चित नहीं है कि आप आधार शिक्षार्थी (पेड़) को फिट करने के प्रत्येक पुनरावृत्ति पर सही ढाल पर वापस आ सकते हैं क्योंकि वृक्ष शिक्षार्थी को भार पारित करने की वर्तमान योजना गुणक है, योगात्मक नहीं है। मैं जिस चीज का जिक्र कर रहा हूं, उसकी अधिक कठोर गणितीय व्युत्पत्ति टाइप करने की कोशिश करूंगा। मैं कह सकता हूं कि व्यवहार में यह मायने रखता है। वास्तविक दुनिया के डेटा सेट में मैंने मॉडलिंग की है जहाँ आप उम्मीद करते हैं कि काउंट डेटा पॉइसन होगा, आर के जीबीएम का उपयोग तेजी से और बेहतर परिणाम के लिए होगा क्योंकि यह "गणितीय" सही तरीके से ऑफसेट को संभाल रहा है। और अन्य gbm कार्यान्वयन जैसे xgboost एक पॉइसन हानि फ़ंक्शन के साथ डेटा को मॉडल नहीं कर सकते हैं और साथ ही सुझाव के अनुसार पॉइसन दर का उपयोग कर सकते हैं।

(एक तरफ मुझे इस मुद्दे का लिंक stats.stackexchange . पर मिला है

statmodels GLM में ऑफ़सेट और एक्सपोज़र है (केवल लॉग लिंक के लिए एक्सपोज़र)

मास्टर में अब जीएलएम और कुछ अन्य मॉडलों के लिए एक लोचदार नेट विकल्प है, जो समन्वय के लिए एपिथन लूप के माध्यम से कार्यान्वित किया जाता है (ऑफसेट के साथ सामान्य अधिकतम संभावना का उपयोग करता है)

मास्टर में अब GLM के लिए ट्वीडी परिवार भी है। हालांकि, यह पूर्ण लॉगलाइकलीहुड लॉस फ़ंक्शन का उपयोग नहीं करता है क्योंकि यह शब्दों का एक अनंत योग है और एक छोटा संस्करण की गणना धीमी है और आमतौर पर उपयोग किए जाने वाले अनुमान पैरामीटर स्थान की कुछ सीमा पर बहुत सटीक नहीं होते हैं

इसलिए, यदि आपको संदर्भ कार्यान्वयन की आवश्यकता है, तो statsmodels में ये भाग होते हैं। मैंने जीएलएम के लिए जीबीएम के बारे में कभी नहीं सुना या देखा नहीं। मुझे यह बताने के लिए विज्ञान-सीखने के कोड के बारे में पर्याप्त जानकारी नहीं है कि यह कैसे फिट होगा।
)

@thenomemac आप एक्सपोज़र के कारण होने वाले नुकसान फ़ंक्शन के बारे में बिल्कुल सही हैं, मुझसे गलती हुई थी। वास्तव में, मुझे विश्वास है कि मैंने इसे पूरा कर लिया है। मेरे पास एक बहुत ही प्रारंभिक WIP है (बस खेलने के बारे में अधिक): https://github.com/bjlkeng/scikit-learn/blob/poisson_regression/sklearn/linear_model/poisson.py ( _poisson_loss() फ़ंक्शन देखें) )

@ josef-pkt धन्यवाद, मैंने statsmodels कार्यान्वयन को देखा, यह वास्तव में काफी अच्छा है (एपीआई को छोड़कर, जिसका मैं प्रशंसक नहीं हूं)। यह वास्तव में थोड़ा अधिक सामान्य है जहां उनका "गिनती" मॉडल नकारात्मक द्विपद जैसे अन्य गणना-आधारित प्रतिगमन का समर्थन करता है। statsmodel कार्यान्वयन पहले से ही एक्सपोजर और नियमितीकरण को ध्यान में रखता है (जो कि मैं भी ढूंढ रहा था)।

यह देखते हुए कि statsmodels का कार्यान्वयन है, क्या आपको लगता है कि sklearn में ऐसा कुछ होना अभी भी मूल्यवान है? यदि ऐसा है, तो मैं इसे प्रयोग करने योग्य रूप में लाने के लिए कुछ और प्रयास करने का प्रयास कर सकता हूं। मैं अभी काम में काफी व्यस्त हूं इसलिए मेरे पास ज्यादा समय नहीं है।

मुझे लगता है कि यह अभी भी मूल्यवान होगा।

@bjlkeng टिप्पणी के लिए धन्यवाद! क्या आप इसे लेने और पुल अनुरोध करने में रुचि रखते हैं? यदि नहीं तो मैं इस मुद्दे को उठाने की कोशिश कर सकता हूं और पीआर बनाने का प्रयास कर सकता हूं ... पहले पॉइसन के लिए और बाद में गामा के लिए ... @agramfort क्या यह आपके लिए ठीक है? :)

अरे @raghavrv , देर से उत्तर के लिए खेद है। काम बहुत व्यस्त हो गया और मुझे यह भी एहसास हुआ कि मेरे पास जितना समय था उससे अधिक समय लगेगा। तो कृपया जारी रखने के लिए स्वतंत्र महसूस करें। मैं statsmodel कार्यान्वयन पर एक नज़र डालूंगा क्योंकि उनके पास अधिकांश कार्यक्षमता है जो मुझे लगता है कि आप यहां चाहते हैं।

@raghavrv क्या आपने इस पर काम करना शुरू किया? मैं भी योगदान करने में सक्षम हो सकता हूं ताकि हमारे पास स्केलेर में कम से कम पॉइसन रिग्रेशन हो।

@btabibian @raghavrv इसकी क्या स्थिति है? मुझे एक परियोजना के लिए पॉइसन रिग्रेशन कार्यान्वयन की आवश्यकता है और योगदान करने के इच्छुक होंगे।

कृपया आगे बढ़ें :) मेरे पास इसके लिए समय नहीं है क्षमा करें...

वही मेरे पास समय नहीं है। इसके अलावा, मैं एपीआई के साथ संघर्ष कर रहा हूं और कैसे करें?
ऑफसेट को एकीकृत करें। मैं statsmodels में गणित या कोड उदाहरण दिखा सकता था।
लेकिन अगर आप पॉइसन रिग्रेशन का उपयोग करना चाहते हैं तो टीएलडीआर आपको ऑफसेट की आवश्यकता है
असमान एक्सपोजर (क्षेत्र या समय) तो आपको ऑफसेट की आवश्यकता है। मॉडल नहीं करता है
यदि आप अपनी गणना को केवल एक्सपोज़र से विभाजित करते हैं, तो सही वेटिंग दें।

1 अप्रैल 2017 को दोपहर 2:49 बजे, "(वेंकट) राघव (राजगोपालन)" <
सूचनाएं@github.com> ने लिखा:

कृपया आगे बढ़ें :) मेरे पास इसके लिए समय नहीं है क्षमा करें...

-
आप इसे प्राप्त कर रहे हैं क्योंकि आपका उल्लेख किया गया था।
इस ईमेल का सीधे उत्तर दें, इसे GitHub पर देखें
https://github.com/scikit-learn/scikit-learn/issues/5975#issuecomment-290939521 ,
या थ्रेड को म्यूट करें
https://github.com/notifications/unsubscribe-auth/AOeuWjVGf3-VmeasNHMLQAB1dnd4zuUQks5rrpw4gaJpZM4Gwd6-
.

मैं तब इस पर गौर करना शुरू करूंगा। @thenomemac टिप के लिए धन्यवाद! मैं यह देखने के लिए statsmodels कार्यान्वयन की जाँच करूँगा कि वे एक्सपोज़र को कैसे हैंडल करते हैं।

हैलो, क्या कोई अपडेट है? क्या एक नकारात्मक द्विपद संभावना जोड़ना भी संभव होगा? इससे पॉइसन को ज्यादा फर्क नहीं पड़ना चाहिए। अन्यथा मैं इस पर गौर कर सकता था ..

श्रेष्ठ,
साइमन

हाय @dirmeier , दुर्भाग्य से नहीं। मैंने एक पदानुक्रमित बायेसियन मॉडल पर स्विच किया है और पॉइसन रिग्रेशन को लागू करने के लिए कभी नहीं मिला।

@dirmeier , @jakobworldpeace क्या कुछ काम प्रगति पर है कि आप हमें बता सकते हैं? क्या मैं भी इस पर एक नज़र डालने पर कूद सकता हूँ?

हाय @ निकहोर्नल ,
मैं वर्तमान में एनबी-रिग्रेशन के लिए आर का उपयोग कर रहा हूं, क्योंकि मेरे पास समय नहीं है। अगर आप इसे लागू करना चाहते हैं तो मुझे खुशी होगी :)

@NickHoernle कोई WIP नहीं है, लेकिन statsmodels Poisson प्रतिगमन कार्यान्वयन आपको आरंभ करना चाहिए।

उत्कृष्ट। मैं इसे देखना शुरू करूंगा और देखूंगा कि हमें कहां मिलता है।

मैं यहाँ GLM पर काम कर रहा हूँ: https://github.com/madrury/py-glm।

मैं इसे स्केलेर में विलय करने का इरादा नहीं कर रहा हूं, यह वास्तव में मेरे छात्रों के लिए कक्षा में उपयोग करने के लिए है, लेकिन अगर यह इस मुद्दे पर काम करने वाले किसी के लिए उपयोगी है तो काम को इंगित करना चाहता हूं।

न्यूटन विधि में आपका सॉल्वर जिसमें उच्च में स्केलिंग कठिन समय होगा
आयाम। यह L1 प्रकार के दंड का भी समर्थन नहीं करता है। अपना एपीआई भी जांचें
स्केलेर के साथ संगति। फिट को केवल X, y और sample_weights लेना चाहिए

स्केलेबिलिटी मुद्दों को ठीक करने के लिए सबसे पहले एल-बीएफजीएस का उपयोग करना है। देखो
हमारा लॉजिस्टिक रिग्रेशन कोड

एचटीएच

जैसा कि मैंने कहा, मेरा लक्ष्य स्केलेर के साथ कुल स्थिरता नहीं है, यह केवल एक सरल कार्यान्वयन है जो मुकुलघ और नेल्डर का अनुसरण करता है और कुछ अनुमान उपकरण प्रदान करता है (जो मुझे विश्वास है कि इसे स्केलेर के दायरे से बाहर रखता है)। इसका उपयोग कक्षा के वातावरण में मध्यम आकार के डेटा सेट पर किया जाना है। मैं यहां कोड को लिंक करना चाहता हूं यदि कोई भी विचार स्केलेर के लिए इस सुविधा पर काम करने के लिए उपयोगी है (और थोड़ा एक्सपोजर पाने के लिए, कभी दर्द नहीं होता)।

मैं L1 दंड के दायरे के बारे में नहीं सोच रहा हूं, इसके लिए मैं केवल glmnet का उपयोग करूंगा। L2 शास्त्रीय GLM ढांचे में शामिल करने के लिए काफी सरल है जिसे मैंने आगे बढ़ाया और इसे जोड़ा।

जहां तक fit पद्धति का सवाल है, मैं यहां एक छोटी सी टिप्पणी करूंगा, मुझे आशा है कि यह जगह से बाहर नहीं है। फिट होने के लिए प्रदान की गई offset की कमी इस बात का एक बड़ा हिस्सा थी कि स्केलेर मेरी आखिरी नौकरी पर क्यों नहीं पकड़ पाया। उचित बीमा मॉडलिंग करने के लिए आपको वास्तव में इसकी आवश्यकता है। नियामकों को उम्मीद है कि पॉइसन और ट्वीडी मॉडल इस तरह फिट होंगे, और उनकी अपेक्षाओं में काफी कठोर हो सकते हैं।

दृष्टि स्पष्ट करने के लिए धन्यवाद।

ऑफसेट के संबंध में क्या यह पॉइसन और ट्वीडी मॉडल के लिए विशिष्ट है?
यदि यह एक नमूना विशिष्ट मूल्य है तो यह फिट में एक नमूना_प्रॉप हो सकता है
पैरामीटर।
यह सिर्फ max_iter या टोल है जो डेटा पर निर्भर नहीं है जो कि होना चाहिए
इनिट।

#9405 से तुलना करनी है?

@agramfort आप max_iter और tol के बारे में सही हैं, मैं उन्हें __init__ पर ले जाऊंगा।

क्या आपके पास sample_prop से आपका क्या मतलब है इसका संदर्भ है?

देखें https://github.com/scikit-learn/enhancement_proposals/pull/6

यह अभी भी चर्चा की जा रही है कि इसे करने का सबसे अच्छा तरीका क्या है ...

ऑफ़सेट पर एक संक्षिप्त नोट: AFAIK, नमूना भार जोखिम से निपटने के लिए पर्याप्त हैं, यानी फिटिंग y=values/exposure with sample_weight=exposure काम करना चाहिए और लॉग-लिंक के साथ पॉइसन के अलावा अन्य वितरण और लिंक के लिए अच्छी तरह से सामान्यीकरण करना चाहिए।

@madrury साझा करने के लिए धन्यवाद। मैं आपके कार्यान्वयन पर एक नज़र डालूंगा और मेरे साथ तुलना करूंगा।

क्या लोग अब भी इसमें रुचि रखते हैं? मुझे योगदान देने में दिलचस्पी होगी।

मुझे अभी भी इस सुविधा में दिलचस्पी है कि क्या किसी को इसे स्केलेर जोड़ना चाहिए।

गुरु, 21 दिसंबर, 2017 को शाम 6:04 बजे, जारेड समेट सूचनाएं @github.com
लिखा था:

क्या लोग अब भी इसमें रुचि रखते हैं? मुझे योगदान देने में दिलचस्पी होगी।

-
आप इसे प्राप्त कर रहे हैं क्योंकि आपका उल्लेख किया गया था।
इस ईमेल का सीधे उत्तर दें, इसे GitHub पर देखें
https://github.com/scikit-learn/scikit-learn/issues/5975#issuecomment-353479618 ,
या थ्रेड को म्यूट करें
https://github.com/notifications/unsubscribe-auth/AOeuWtvi4Um_o_ERuVe1ob86201G-ASdks5tCuP4gaJpZM4Gwd6-
.

@oracleofnj @thenomemac

मेरे पास मेरी पीई-ग्लम लाइब्रेरी में एक मान्य, सामान्य ग्लैम कार्यान्वयन है, लेकिन इसे स्केलेर में विलय करने का प्रयास करने की कोई योजना नहीं है (मैंने कुछ डिज़ाइन निर्णय किए हैं जो इसे स्केलेर के साथ असंगत बनाते हैं)। यह सेटअप है ताकि अन्य घातीय परिवारों को जोड़ना बहुत आसान हो।

मेरे पास एक पूर्ण, शुद्ध पायथन ग्लैमनेट कार्यान्वयन भी है जो एक ही पुस्तकालय में समान घातीय परिवारों का समर्थन करता है, लेकिन मैं एक बग पर फंस गया और मैंने इसे नीचे रख दिया। मुझे बग के माध्यम से तर्क करने में कुछ मदद पसंद आएगी, इसे वापस लेने के लिए बस कुछ प्रेरणा की आवश्यकता है।

@madrury उस बग के साथ आपकी मदद करने के लिए एक शॉट लेने में खुशी हुई।

हैलो, इन वितरणों के लिए कुछ भी बनाया गया है? किसी भी अद्यतन के बारे में उत्सुक। धन्यवाद।

मैं योगदानकर्ताओं की मदद करने के लिए इस मुद्दे को बंद करने के लिए व्यक्तिगत रूप से ठीक हूँ
केंद्र। कारण:

• अजगर परिदृश्य बदल गया है

• statsmodels अब बहुत अधिक परिपक्व हो गया है और इसमें ये वितरण शामिल हैं
  उचित जोखिम भार

• pytorch या tensorflow के माध्यम से jit आधारित कार्यान्वयन इसे आसान बनाते हैं
  बिना किसी प्रदर्शन दंड या पैकेज के किसी भी गूढ़ हानि को लागू करें
  रखता

विचार?

हम वर्तमान में मदद करने के लिए संसाधन आवंटित कर रहे हैं
https://github.com/scikit-learn/scikit-learn/pull/9405
और इसे (कम से कम कुछ हिस्सों में) मास्टर में लैंड करें। इससे निपटा जाना चाहिए
अगले महीने।

अद्भुत कार्य !

शनिवार, अप्रैल 13, 2019, 3:27 AM अलेक्जेंड्रे ग्रामफोर्ट नोटिफिकेशन @github.com . पर
लिखा था:

हम वर्तमान में मदद करने के लिए संसाधन आवंटित कर रहे हैं
https://github.com/scikit-learn/scikit-learn/pull/9405
और इसे (कम से कम कुछ हिस्सों में) मास्टर में लैंड करें। इससे निपटा जाना चाहिए
अगले महीने।

-
आप इसे प्राप्त कर रहे हैं क्योंकि आपका उल्लेख किया गया था।
इस ईमेल का सीधे उत्तर दें, इसे GitHub पर देखें
https://github.com/scikit-learn/scikit-learn/issues/5975#issuecomment-482784732 ,
या थ्रेड को म्यूट करें
https://github.com/notifications/unsubscribe-auth/AOeuWj8PD0nfltM7Acg12Pfhl4sG5n7Fks5vgYbogaJpZM4Gwd6-
.

जीएलएम को विज्ञान-सीखना में रखना बहुत अच्छा होगा। इससे अन्य भाषाओं में जाने की आवश्यकता कम होगी। इसके लिए आगे देख रहे हैं।

माना। आर दुनिया से आकर, मुझे आश्चर्य हुआ कि स्केलेर में पहले से ही जीएलएम कार्यक्षमता नहीं थी। मुझे उम्मीद है कि यह जल्द ही होगा।

मैं स्केलर्न में GLM को शामिल करने के लिए एक और वोट जोड़ूंगा। यह मॉडल का एक मुख्य वर्ग है जिसे स्नातक सांख्यिकी कार्यक्रमों में पढ़ाया जाता है। साथ ही, तथ्य यह है कि उपयोगकर्ता मैनुअल में "सामान्यीकृत रैखिक मॉडल" खंड है जिसमें लिंक फ़ंक्शंस या त्रुटि वितरण की कोई चर्चा शामिल नहीं है, यह मेरे लिए आश्चर्यजनक है।

@patrickspry Statsmodels में अधिकांश GLM का अच्छा कार्यान्वयन है जो एक अंडरग्रेजुएट सीखेगा।

@patrickspry https://github.com/scikit-learn/scikit-learn/pull/9405 में काफी पूर्ण पीआर है और उस कार्यक्षमता को मर्ज करने के लिए कार्य प्रगति पर है।

ओह, शानदार! सर उठाने के लिए धन्यवाद!

पीआर को मर्ज करने के लिए कोई अनुमानित समयरेखा? धन्यवाद।

@ जियांग-ली यहां देखें

रैखिक मॉडल के लिए, #14300 है। फिर वहां खुला मुद्दा #15123 है। मैं व्यक्तिगत रूप से ट्वीडी लॉस फंक्शन के साथ पेड़ आधारित मॉडल देखना चाहूंगा।

रैखिक मॉडल के लिए #14300 अब विलय कर दिया गया है, हालांकि अतिरिक्त सुविधाओं को अभी भी जोड़ा जा सकता है https://github.com/scikit-learn/scikit-learn/pull/9405#issuecomment -594553953

मैं व्यक्तिगत रूप से ट्वीडी लॉस फंक्शन के साथ पेड़ आधारित मॉडल देखना चाहूंगा।

यह वास्तव में अगला कदम हो सकता है (उदाहरण के लिए https://github.com/scikit-learn/scikit-learn/issues/15123#issuecomment-542090766)

स्केलेर 0.23 में महान कार्य को देखना प्रभावशाली है, जिसमें पॉइसन, गामा और ट्वीडी शामिल हैं। आशा है कि भविष्य में और अधिक सुधार देखने को मिलेंगे।
उपयोगकर्ता गाइड पढ़ना, लॉजिस्टिक रिग्रेशन सामान्यीकृत रैखिक प्रतिगमन के बाहर है। शायद सामान्यीकृत रैखिक प्रतिगमन खंड में कम से कम कुछ शब्द होने चाहिए जो लॉजिस्टिक रिग्रेशन जीएलएम का एक प्रकार है और उसी विचलन हानि फ़ंक्शन का उपयोग करके हल किया जा सकता है।

ऐसा लगता है कि अब हम इस मुद्दे को बंद कर सकते हैं कि #14300 का विलय हो गया है?

उपयोगकर्ता गाइड पढ़ना, लॉजिस्टिक रिग्रेशन सामान्यीकृत रैखिक प्रतिगमन के बाहर है। शायद सामान्यीकृत रैखिक प्रतिगमन खंड में कम से कम कुछ शब्द होने चाहिए जो लॉजिस्टिक रिग्रेशन जीएलएम का एक प्रकार है और उसी विचलन हानि फ़ंक्शन का उपयोग करके हल किया जा सकता है।

प्रतिक्रिया के लिए धन्यवाद @magicmathmandarin ! हां बिल्कुल। मूल पीआर https://github.com/scikit-learn/scikit-learn/pull/9405 में वास्तव में बाइनरी लॉजिस्टिक रिग्रेशन के लिए द्विपद वितरण का विचलन शामिल था। हमने पहले मर्ज किए गए पीआर में इसे शामिल नहीं करने का कारण यह है कि वे वास्तव में एक ही सैद्धांतिक ढांचे का हिस्सा हैं, वर्तमान में विशेष LogisticRegression कार्यान्वयन की अभी भी अनुशंसा की जाती है (उपयोगकर्ताओं द्वारा बेहतर परीक्षण किया जाता है, अधिक विकल्पों को संभालता है, उदाहरण के लिए बहु-वर्ग), और हम उपयोगकर्ताओं को भ्रमित नहीं करना चाहते थे। अब जब यह विलय हो गया है, तो मैं मानता हूं कि उस हिस्से को बेहतर तरीके से तैयार किया जा सकता है।

ऐसा लगता है कि अब हम इस मुद्दे को बंद कर सकते हैं कि #14300 का विलय हो गया है?

ज़रूर। https://github.com/scikit-learn/scikit-learn/issues/16668 , https://github.com/scikit-learn/scikit-learn/pull/16692 और https में कुछ अनुवर्ती चर्चाएं हैं: //github.com/scikit-learn/scikit-learn/issues/15123।