Python 3.x 使用sklearn/Scikit Learn执行自定义GLM

我希望使用sklearn/Scikit-learn实现定制GLM。statsmodel也可以这样做，例如我们可以使用下面的代码使用statsmodel

import pandas as pd
import statsmodels.api as sm
data = [(300,1),(200,0),(170,1),(420,1),(240,1),(133,0),(323,1),(150,0),(230,0),(499,0)]
Labels = ['datapoint','value']
df = pd.DataFrame.from_records(data, columns=Labels)
glm_linear = sm.GLM(df.value, df.datapoint, family=sm.families.Gaussian(sm.families.links.identity()))
res = glm_linear.fit()
print(res.summary())

在这里，我们可以使用

sm.GLM

方法中的family属性传递任何链接和随机函数

我在sklearn中寻找类似的东西

您可以使用sklearn和参数

power=0

来指定正态分布：

来自sklearn.linear\u模型导入TweedieRegressor
作为pd进口熊猫
数据=[（300,1）、（200,0）、（170,1）、（420,1）、（240,1）、（133,0）、（323,1）、（150,0）、（230,0）、（499,0）]
标签=['datapoint'，'value']
df=pd.DataFrame.from_记录（数据、列=标签）
十、 y=df.datapoint，df.value
glm_高斯=TweedieRegressor（幂=0，拟合_截距=False）
glm_gaussian.fit（X.to_numpy（）[：，None]，y）
打印（glm_gaussian.coef_）
阵列（[0.00173114]）