有助于回归模型比较的有用得分函数
Regscore的Python项目详细描述
在不同回归之间进行模型比较的python包 模型。
安装
pip install git+https://github.com/UBC-MDS/RegscorePy.git
#or
pip install RegscorePy
函数说明和用法
aic
aic代表akaike的信息准则。它估计质量 模型的，相对于其他模型的。AIC得分越低， 模型越好。因此，一个aic-in最低的模型 与他人比较，是选择。
AIC = n*log(residual sum of squares/n) + 2K
式中：-n：观测次数-k：参数数目（包括 截距）
功能
aic(y, y_pred, p)
参数：
- y：类似数组的形状=（n个样本）或（n个样本，n个输出）
- 真正的目标变量
- y\u pred：类似数组的shape=（n个样本）或（n个样本， n_输出）
- 从回归模型中获得的拟合目标变量
- p：int
- 模型中使用的预测变量数
返回：*aic_score:int*aic模型的分数
比克
bic代表贝叶斯信息准则。就像AIC一样 估计模型的质量。安装模型时，可以 通过添加更多参数来提高模型的适应度。这样做可能会导致 在模型过拟合。aic和bic都有助于通过使用 模型中参数个数的惩罚项。这个学期是 bic比aic大。
BIC = n*log(residual sum of squares/n) + K*log(n)
式中：-n：观测次数-k：参数数目（包括 截距）
功能
bic(y, y_pred, p)
参数：*y：类似数组的shape=（n个示例）或 （n个样本，n个输出）*真实目标变量
- y\u pred：类似数组的shape=（n个样本）或（n个样本， n_输出）
- 从回归模型中获得的拟合目标变量
- p：int
- 模型中使用的预测变量数
返回：*bic_score:int*bic模型的分数
锦葵汁p
简介
锦葵的C_P是以科林灵木锦葵命名的。用于评估 回归模型的拟合，寻找包含子集的最优模型 可用于预测某些结果的预测变量。
C_p = (SSE_p/MSE) - (n - 2p)
式中：-sse_k：包含 p计算截距的解释性变量。-mse：均方 完整模型（包含所有k解释性的模型）的错误 感兴趣的变量）-n：观察数-p：子集数 解释变量
功能
mallow(y, y_pred, y_sub, k, p)
参数：
- y：类似数组的形状=（n个样本）或（n个样本，n个输出）
- 真正的目标变量
- y\u pred：类似数组的shape=（n个样本）或（n个样本， n_输出）
- 从回归模型中获得的拟合目标变量
- y_sub：类似数组的shape=（n_samples）或（n_samples， n_输出）
- 从子集回归模型获得的拟合目标变量
- k：int
- 模型中使用的预测变量数
- p：int
- 子集模型中使用的预测变量数
返回：
- 锦葵评分：int
- 子集模型的mallow's c_p得分
用法
>> from RegscorePy import * >> y = [1,2,3,4] >> y_pred = [5,6,7,8] >> p = 3 >> aic.aic(y, y_pred, p) 17.090354888959126 >> >> >> bic.bic(y, y_pred, p) 15.249237972318795 >> >> >> y_sub = [1,2,3,5] >> k = 3 >> p = 2 >> mallow.mallow(y, y_pred, y_sub, k, p) >> 0.015625
- 这种用法适用于Python3。如果你用Python2，请跑 from __future__ import division在运行函数之前。
如何运行测试
>；来自根控制器y，运行终端中的所有测试文件：
python -m pytest
您还可以通过引用单个测试文件 路径。例如，如果要测试aic函数，可以使用 下面的命令：
python -m pytest RegscorePy/test/test_aic.py
许可证
贡献
这是一个开源项目。请遵循以下指导原则 贡献。-为任何反馈和建议打开一个问题。-为了 参与项目，请参考 Contributing了解详细信息。
欢迎加入QQ群-->： 979659372
