Scikit-learn: रैखिक मात्रात्मक प्रतिगमन जोड़ें

ऐसा लगता है कि पाइथन में क्वांटाइल के साथ बहुत अधिक पैकेज नहीं हैं
प्रतिगमन...

इसे स्किकिट-लर्न में क्यों जाना चाहिए?

हो सके तो क्यों नहीं?

क्योंकि हमारे पास पहले से बनाए रखने के लिए बहुत सारे कोड हैं और हम केवल लोकप्रिय एमएल एल्गोरिदम को शामिल करते हैं। क्या यह लोकप्रिय है? क्या यह अन्य तरीकों पर मशीन सीखने के कार्यों के लिए स्पष्ट लाभ रखता है?

(बीटीडब्ल्यू। वीडब्ल्यू में मात्रात्मक प्रतिगमन है , हानि के साथ ℓ(पी,वाई) = τ(पी - वाई) [[वाई ≤ पी]] + (1 - τ) (वाई - पी) [[वाई ≥ पी]] जहां [ [⋅]] आइवरसन कोष्ठक हैं।)

GradientBoostingRegressor क्वांटाइल रिग्रेशन ( loss=quantile और alpha पैरामीटर का उपयोग करके) का समर्थन करता है। एक उदाहरण के लिए http://scikit-learn.org/dev/auto_examples/ensemble/plot_gradient_boosting_quantile.html#example -ensemble-plot-gradient-boosting-quantile-py देखें।

मुझे इसकी जांच करनी चाहिए थी। इस मुद्दे को बंद करना।

जबकि मैं इस बात से सहमत नहीं हूं कि पाइथन पर क्वांटाइल रिग्रेशन के लिए कई पैकेज नहीं हैं, मेरा मानना ​​​​है कि विज्ञान-किट सीखने पर शुद्ध क्वांटाइल रिग्रेशन (एक एन्सेम्बल विधि के अंदर नहीं) होना महत्वपूर्ण है।

क्वांटाइल रिग्रेशन को y की विशिष्ट मात्रा पर लक्ष्यीकरण का लाभ मिलता है। इससे y_pred और y के माध्यिका के अंतर को कम करना संभव है। यह इस मामले में पूर्ण त्रुटि को कम करने के समान है, लेकिन यह बहुत अधिक सामान्य है और अन्य मात्राओं के लिए काम करता है।

क्रेडिट स्कोरिंग और अन्य मॉडलों के साथ काम करते समय बैंक इसका बहुत उपयोग करते हैं, इसलिए यह वास्तविक अनुप्रयोगों के साथ एक युद्ध परीक्षण मॉडल है। आर और एसएएस ने इस मॉडल को लागू किया है।

@prcastro क्या आपका मतलब रैखिक मॉडल के लिए है?

बिल्कुल। आज, sklearn पहनावा विधियों पर मात्रात्मक प्रतिगमन लागू करता है। हालाँकि, यह आमतौर पर एक नियमित रैखिक मॉडल के रूप में उपयोग किया जाता है।

मैं इसे जोड़ने के लिए तैयार हूं। @jnothman @GaelVaroquaux?

यह वास्तव में काफी स्थापित लगता है

मैं इसे जोड़ने के लिए तैयार हूं। @jnothman @GaelVaroquaux?

कोई विरोध नहीं। हमें बस एक अच्छे पीआर की जरूरत है, और इसकी समीक्षा करने के लिए समय चाहिए।

माध्यिका (पूर्ण हानि) के लिए मात्रात्मक प्रतिगमन के विशिष्ट मामले के संबंध में, अधिक सामान्य मात्राओं के विपरीत, ऐसा लगता है कि http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.HuberRegressor.html अनुमति देगा यह अगर केवल हम एप्सिलॉन = 0.0 पास कर सकते हैं। ह्यूबर रेग्रेसर को epsilon : float, greater than 1.0 की आवश्यकता क्यों है? ( The Huber Regressor optimizes the squared loss for the samples where |(y - X'w) / sigma| < epsilon and the absolute loss for the samples where |(y - X'w) / sigma| > epsilon. )

एप्सिलॉन = 0 के साथ ह्यूबर लॉस एक गैर-चिकनी अनुकूलन समस्या है: एक
सॉल्वर के एक ही वर्ग का उपयोग नहीं कर सकते।

मैंने ऊपर दिए गए पुल अनुरोध में शास्त्रीय मात्रात्मक रैखिक प्रतिगमन जोड़ा। कृपया इसकी समीक्षा करें!

सभी को नमस्कार! कृपया मेरे पीआर की समीक्षा करें जब आपके पास इसके लिए समय हो।

गुनगुनाहट

ऐसा लगता है कि पाइथन में क्वांटाइल रिग्रेशन के साथ बहुत अधिक पैकेज नहीं हैं ...

वे इसके 2020 को सुनने वाले नहीं हैं और फिर भी हमारे पास उचित मात्रात्मक प्रतिगमन पैकेज नहीं है