generalized-additive-models 0.4.0

关于

GAMs在可解释性 vs. 预测力连续体上具有独特地位。在许多应用中，它们的性能几乎与更复杂的模型相当，但可解释性极强。

• GAMs通过允许特征与目标之间的非线性关系扩展了线性回归。

• 模型仍然是加性的，但连接函数和多元样条函数促进了广泛类别的模型。

• 虽然GAMs可能不如非加性模型（例如提升树）表现好，但GAMs的可解释性极强。

了解更多关于GAMs的信息

• 预测建模银弹

• 广义加性模型：使用R的介绍

广义加性模型（GAM）是一种统计模型，其中目标变量依赖于特征未知光滑函数，并且兴趣集中于对这些光滑函数的推理。

对于目标Y指定了指数族分布（例如正态分布、二项分布或泊松分布）以及连接函数g（例如恒等函数或对数函数），以将Y的期望值与预测变量相关联。

安装

使用pip安装

pip install generalized-additive-models

示例

from sklearn.datasets import load_diabetes
from sklearn.model_selection import cross_val_score
from generalized_additive_models import GAM, Spline, Categorical

# Load data
data = load_diabetes(as_frame=True)
df, y = data.data, data.target

# Create model
terms = Spline("bp") + Spline("bmi", constraint="increasing") + Categorical("sex")
gam = GAM(terms)

# Cross validate
scores = cross_val_score(gam, df, y, scoring="r2")
print(scores) # array([0.26, 0.4 , 0.41, 0.35, 0.42])

访问Read the Docs以查看完整文档。

贡献和开发

欢迎贡献力量。您可以纠正拼写错误、编写文档、清理代码、实现新功能等。

开发的一些指南

• 代码必须符合标准。更多信息请参阅GitHub动作管道。

• 如果可能，请使用来自 numpy、scipy 和 scikit-learn 的现有算法。

• 编写测试，特别是修复bug后的回归测试。

• 重视向后兼容性。API更改需要充分的理由。

本地开发安装

pip install -e '.[dev,lint,doc]'

本地创建文档

sudo apt install pandoc
sphinx-build docs _built_docs/html -W -a -E --keep-going
sphinx-autobuild docs _built_docs/html -v -j "auto" --watch generalized_additive_models

一旦增加版本号，必须进行标记并推送，以便发布到PyPi。

git tag -a v0.1.0 -m "Version 0.1.0" b22724c
git push origin v0.1.0

引用

待办事项