معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Constrained linear regression in scikit-learn style

ویژگی	مقدار
سیستم عامل	-
نام فایل	constrained-linear-regression-0.0.4
نام	constrained-linear-regression
نسخه کتابخانه	0.0.4
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	David Dale
ایمیل نویسنده	dale.david@mail.ru
آدرس صفحه اصلی	https://github.com/avidale/constrained-linear-regression
آدرس اینترنتی	https://pypi.org/project/constrained-linear-regression/
مجوز	MIT

# constrained-linear-regression [![PyPI version](https://badge.fury.io/py/constrained-linear-regression.svg)](https://badge.fury.io/py/constrained-linear-regression) This is a Python implementation of constrained linear regression in scikit-learn style. The current version supports upper and lower bound for each slope coefficient. It was developed after this question https://stackoverflow.com/questions/50410037 Installation: ```pip install constrained-linear-regression``` You can use this model, for example, if you want all coefficients to be non-negative: ```Python from constrained_linear_regression import ConstrainedLinearRegression from sklearn.datasets import load_boston from sklearn.linear_model import LinearRegression X, y = load_boston(return_X_y=True) model = ConstrainedLinearRegression(nonnegative=True) model.fit(X, y) print(model.intercept_) print(model.coef_) ``` The output will be like ```commandline -36.99292986145538 [0. 0.05286515 0. 4.12512386 0. 8.04017956 0. 0. 0. 0. 0. 0.02273805 0. ] ``` You can also impose arbitrary bounds for any coefficients you choose ```Python model = ConstrainedLinearRegression() min_coef = np.repeat(-np.inf, X.shape[1]) min_coef[0] = 0 min_coef[4] = -1 max_coef = np.repeat(4, X.shape[1]) max_coef[3] = 2 model.fit(X, y, max_coef=max_coef, min_coef=min_coef) print(model.intercept_) print(model.coef_) ``` The output will be ```commandline 24.060175576410515 [ 0. 0.04504673 -0.0354073 2. -1. 4. -0.01343263 -1.17231216 0.2183103 -0.01375266 -0.7747823 0.01122374 -0.56678676] ``` You can also set coefficients `lasso` and `ridge` if you want to apply the corresponding penalties. For `lasso`, however, the output might not be exactly equal to the result of `sklearn.linear_model.Lasso` due to the difference in the optimization algorithm.

نحوه نصب

نصب پکیج whl constrained-linear-regression-0.0.4:

pip install constrained-linear-regression-0.0.4.whl

نصب پکیج tar.gz constrained-linear-regression-0.0.4:

pip install constrained-linear-regression-0.0.4.tar.gz