from sklearn.ensemble import HistGradientBoostingRegressor
from sklearn.inspection import PartialDependenceDisplay
import numpy as np
import matplotlib.pyplot as plt
rng = np.random.RandomState(0)
n_samples = 5000
f_0 = rng.rand(n_samples) # positive correlation with y
f_1 = rng.rand(n_samples) # negative correlation with y
X = np.c_[f_0, f_1]
noise = rng.normal(loc=0.0, scale=0.01, size=n_samples)
y = 5 * f_0 + np.sin(10 * np.pi * f_0) - 5 * f_1 - np.cos(10 * np.pi * f_1) + noise
fig, ax = plt.subplots()
# Without any constraint
gbdt = HistGradientBoostingRegressor()
gbdt.fit(X, y)
disp = PartialDependenceDisplay.from_estimator(
gbdt,
X,
features=[0, 1],
line_kw={"linewidth": 4, "label": "unconstrained", "color": "tab:blue"},
ax=ax,
)
# With positive and negative constraints
gbdt = HistGradientBoostingRegressor(monotonic_cst=[1, -1])
gbdt.fit(X, y)
PartialDependenceDisplay.from_estimator(
gbdt,
X,
features=[0, 1],
feature_names=(
"First feature\nPositive constraint",
"Second feature\nNegtive constraint",
),
line_kw={"linewidth": 4, "label": "constrained", "color": "tab:orange"},
ax=disp.axes_,
)
for f_idx in (0, 1):
disp.axes_[0, f_idx].plot(
X[:, f_idx], y, "o", alpha=0.3, zorder=-1, color="tab:green"
)
disp.axes_[0, f_idx].set_ylim(-6, 6)
plt.legend()
fig.suptitle("Monotonic constraints illustration")
plt.show()
01
apply()
这个函数是对数组,矩阵或数据框的一个变量使用函数生成列表或者数组/向量。
apply(x,MARGIN ,fun,….)
x是数据对象,类型可以为数组/矩阵/数据框。
MARGIN表示矩阵的行与列,MARGIN=1表示矩阵行,MARGIN=2表示矩阵列。
lapply()
lapply(x,FUN,….)
x是数据对象,类型可以为向量/列表/数据框。
03
sapply()
sapply(x,FUN…,simplify=TRUE,USE.MAMES=TRUE)
simplify=TRUE表示将lappy输出的list简化为向量vector或者矩阵matrix
04
tapply()
使用的格式:
tapply(x,INDEX,FUN,…,simplify=TRUE)
x:数据类型是向量
INDEX:因子列表,而且长度和x一样,如果INDEX不是因子,tapply()函数依然能够运行,R会把非因子用as.factor()强制将其转为因子。
simplify:逻辑值为TRUE表示计算的结果返回的是数组。若逻辑词是FALSE,计算的结果返回的是列表对象。
mapply()
mapply(FUN,MoreArgs=NULL,SIMPLIFY=TRUE,USE.NAMES=TRUE)
SIMPLIFY表示逻辑词,SIMPLIFY=TRUE时,能够把结果转变为向量/矩阵/高维阵列。
MoreArgs是FUN函数的其他参数的列表。
#使用mapply函数重复生成列表list(x=3:6),重复次数times=1:4,而且生成的结果是列表。
#使用mapply函数重复生成列表list(x=3:6),重复次数times=1:4,而且生成的结果是矩阵。