paddle_quantum.data_analysis.vqr

量子回归分析的相关函数和模拟器类。

load_dataset(data_file, model_name)

加载需要分析的数据集 .csv 文件。

参数:

data_file (str) – 数据集文件所在目录。
model_name (str) – 目前支持的所有模型类型，包括 linear 和 poly 两种模式。

返回:

返回计算所需的 pandas 解码文件。

IPEstimator(circuit, input_state: State, measure_idx)

基于量桨模拟器运行的电路来实现量子态内积的估计器。

参数:

circuit (Circuit) – 运行电路。
input_state (State) – 电路输入的量子态。
measure_idx (List[int]) – 需要测量的比特序号。默认为 [0]。

返回:

返回计算的内积值（支持梯度分析）。

返回类型:

paddle.Tensor

class QRegressionModel(data_file, model_name, x_feature, y_feature, num_variable, init_params, num_qubits, learning_rate, iteration, language)

基类：object

变分量子回归分析器（variational quantum regression, VQR）模型实现。

参数:

data_file (str) – 需要分析的数据集路径。
model_name (str) – 所需使用的模型类型。目前只支持 linear 和 poly。
x_feature (List[str]) – 自变量名称。
y_feature (List[str]) – 因变量名称。
num_variable (int) – 需要调用的模型参数量，即所有回归模型中的系数量。
init_params (List[float]) – 调用参数的初始化数值。
num_qubits (int) – 所需使用到的量子比特数量。默认值为 6。
learning_rate (float) – 学习率。默认值为 0.1。
iteration (str) – 学习迭代次数。默认值为 100。
language – 结果显示的语言。默认值为 CN。

regression_analyse()

对输入的数据进行回归分析。

返回:: 返回可继续用来预测的模型。
返回类型:: Union[LinearRegression, PolyRegression]

class LinearRegression(num_qubits, num_x)

基类：paddle.nn.Layer

量子线性回归分析器。

参数:

num_qubits (int) – 需要的量子比特数。
num_x (int) – 线性自变量个数。默认为 1。

reg_param()

输出当前回归分析器中的参数值。

返回:: 返回当前模型中的参数值。
返回类型:: paddle.Tensor

set_params(new_params)

设定回归分析器中的参数。

参数:: new_params (Union[paddle.Tensor, np.ndarray]) – 输入的新参数值。

fit(X, y, learning_rate, iteration, saved_dir, print_score, model_name)

输入训练集数据用来训练回归模型。

参数:

X (Union[paddle.Tensor, np.ndarray]) – 自变量训练集数据。
y (Union[paddle.Tensor, np.ndarray]) – 因变量训练集数据。

predict(X)

根据现有模型预测测试集数据。

参数:: X (Union[paddle.Tensor, np.ndarray]) – 自变量测试集数据。
返回:: 返回当前模型的预测值。
返回类型:: Union[paddle.Tensor, np.ndarray]

score(X, y, metric)

计算模型对测试集数据的回归拟合度。

参数:

X (Union[paddle.Tensor, np.ndarray]) – 自变量测试集数据。
y (Union[paddle.Tensor, np.ndarray]) – 自变量测试集数据。
metric (str) – 用于计算的度量类型。默认为 R2。

返回:

返回当前模型的拟合度。

返回类型:

float