LinearSVR

класс sklearn.svm.LinearSVR(*, эпсилон=0.0, tol=0.0001, C=1.0, потеря='epsilon_insensitive', fit_intercept=True, intercept_scaling=1.0, dual='auto', verbose=0, random_state=None, max_iter=1000)

Линейная машина опорных векторов для регрессии.

Похож на SVR с параметром kernel='linear', но реализован с использованием liblinear вместо libsvm, поэтому он имеет большую гибкость в выборе штрафов и функций потерь и должен лучше масштабироваться на большие количества образцов.

Основные различия между LinearSVR и SVR заключаются в функции потерь, используемой по умолчанию, и в обработке регуляризации свободного члена между этими двумя реализациями.

Этот класс поддерживает как плотные, так и разреженные входные данные.

Подробнее в Руководство пользователя.

Добавлено в версии 0.16.

Параметры:

эпсилонfloat, по умолчанию=0.0

Параметр эпсилон в эпсилон-нечувствительной функции потерь. Обратите внимание, что значение этого параметра зависит от масштаба целевой переменной y. Если не уверены, установите epsilon=0.

tolfloat, по умолчанию=1e-4

Допуск для критериев остановки.

Cfloat, по умолчанию=1.0

Параметр регуляризации. Сила регуляризации обратно пропорциональна C. Должна быть строго положительной.

потеря{‘epsilon_insensitive’, ‘squared_epsilon_insensitive’}, по умолчанию='epsilon_insensitive'

Определяет функцию потерь. Эпсилон-нечувствительная потеря (стандартный SVR) — это потеря L1, а квадратичная эпсилон-нечувствительная потеря ('squared_epsilon_insensitive') — потеря L2.

fit_interceptbool, по умолчанию=True

Следует ли подгонять свободный член. Если установлено True, вектор признаков расширяется для включения свободного члена: [x_1, ..., x_n, 1], где 1 соответствует свободному члену. Если установлено в False, свободный член не будет использоваться в вычислениях (т.е. данные ожидаются уже центрированными).

intercept_scalingfloat, по умолчанию=1.0

Когда fit_intercept равно True, вектор экземпляра x становится [x_1, ..., x_n, intercept_scaling], т.е. «синтетический» признак с постоянным значением, равным intercept_scaling добавляется к вектору экземпляра. Перехват становится intercept_scaling * вес синтетического признака. Обратите внимание, что liblinear внутренне штрафует перехват, обращаясь с ним как с любым другим членом вектора признаков. Чтобы уменьшить влияние регуляризации на перехват, intercept_scaling параметр может быть установлен в значение больше 1; чем выше значение intercept_scaling, тем меньше влияние регуляризации на него. Затем веса становятся [w_x_1, ..., w_x_n, w_intercept*intercept_scaling], где w_x_1, ..., w_x_n представляют веса признаков, а вес пересечения масштабируется на intercept_scaling. Это масштабирование позволяет члену пересечения иметь другое регуляризационное поведение по сравнению с другими признаками.

dual“auto” или bool, по умолчанию=”auto”

Выберите алгоритм для решения двойной или прямой задачи оптимизации. Предпочитайте dual=False, когда n_samples > n_features. dual="auto" автоматически выберет значение параметра на основе значений n_samples, n_features и loss. Если n_samples < n_features и оптимизатор поддерживает выбранный loss, тогда dual будет установлен в True, в противном случае он будет установлен в False.

Изменено в версии 1.3: The "auto" опция добавлена в версии 1.3 и будет использоваться по умолчанию в версии 1.5.

verboseint, по умолчанию=0

Включить подробный вывод. Обратите внимание, что этот параметр использует настройку времени выполнения на процесс в liblinear, которая, если включена, может некорректно работать в многопоточном контексте.

random_stateint, экземпляр RandomState или None, по умолчанию=None

Управляет псевдослучайной генерацией чисел для перемешивания данных. Передайте целое число для воспроизводимого результата при многократных вызовах функции. См. Глоссарий.

max_iterint, по умолчанию=1000

Максимальное количество итераций для выполнения.

Атрибуты:

coef_ndarray формы (n_features), если n_classes == 2, иначе (n_classes, n_features)

Веса, присвоенные признакам (коэффициенты в прямой задаче).

coef_ является свойством только для чтения, производным от raw_coef_ который следует внутренней структуре памяти liblinear.

intercept_ndarray формы (1), если n_classes == 2, иначе (n_classes)

Константы в функции принятия решений.

n_features_in_int

Количество признаков, замеченных во время fit.

Добавлено в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Имена признаков, наблюдаемых во время fit. Определено только когда X имеет имена признаков, которые все являются строками.

Добавлено в версии 1.0.

n_iter_int

Максимальное количество итераций, выполняемых для всех классов.

Смотрите также

LinearSVC

Реализация классификатора метода опорных векторов с использованием той же библиотеки, что и этот класс (liblinear).

SVR

Реализация регрессии методом опорных векторов с использованием libsvm: ядро может быть нелинейным, но его алгоритм SMO не масштабируется на большое количество выборок, как LinearSVR делает.

sklearn.linear_model.SGDRegressor

SGDRegressor может оптимизировать ту же функцию стоимости, что и LinearSVR, путем настройки параметров штрафа и потерь. Кроме того, он требует меньше памяти, позволяет инкрементальное (онлайн) обучение и реализует различные функции потерь и режимы регуляризации.

Примеры

>>> from sklearn.svm import LinearSVR
>>> from sklearn.pipeline import make_pipeline
>>> from sklearn.preprocessing import StandardScaler
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(n_features=4, random_state=0)
>>> regr = make_pipeline(StandardScaler(),
...                      LinearSVR(random_state=0, tol=1e-5))
>>> regr.fit(X, y)
Pipeline(steps=[('standardscaler', StandardScaler()),
                ('linearsvr', LinearSVR(random_state=0, tol=1e-05))])

>>> print(regr.named_steps['linearsvr'].coef_)
[18.582 27.023 44.357 64.522]
>>> print(regr.named_steps['linearsvr'].intercept_)
[-4.]
>>> print(regr.predict([[0, 0, 0, 0]]))
[-2.384]

fit(X, y, sample_weight=None)

Обучает модель на основе предоставленных обучающих данных.

Параметры:

X{array-like, sparse matrix} формы (n_samples, n_features)

Вектор обучения, где n_samples — это количество образцов и n_features это количество признаков.

yarray-like формы (n_samples,)

Целевой вектор относительно X.

sample_weightarray-like формы (n_samples,), по умолчанию=None

Массив весов, которые назначаются отдельным выборкам. Если не предоставлен, то каждой выборке присваивается единичный вес.

Добавлено в версии 0.18.

Возвращает:

selfobject

Экземпляр оценивателя.

6332()

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Возвращает:

маршрутизацияMetadataRequest

A MetadataRequest Инкапсуляция информации о маршрутизации.

get_params(глубокий=True)

Получить параметры для этого оценщика.

Параметры:

глубокийbool, по умолчанию=True

Если True, вернет параметры для этого оценщика и вложенных подобъектов, которые являются оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные с их значениями.

predict(X)

Прогнозирование с использованием линейной модели.

Параметры:

Xмассивоподобный или разреженная матрица, форма (n_samples, n_features)

Образцы.

Возвращает:

Cмассив, формы (n_samples,)

Возвращает предсказанные значения.

score(X, y, sample_weight=None)

Возвращает коэффициент детерминации на тестовых данных.

Коэффициент детерминации, \(R^2\), определяется как \((1 - \frac{u}{v})\), где \(u\) является остаточной суммой квадратов ((y_true - y_pred)** 2).sum() и \(v\) является общей суммой квадратов ((y_true - y_true.mean()) ** 2).sum()Лучший возможный результат - 1.0, и он может быть отрицательным (потому что модель может быть сколь угодно хуже). Постоянная модель, которая всегда предсказывает ожидаемое значение y, игнорируя входные признаки, получит \(R^2\) оценка 0.0.

Параметры:

Xarray-like формы (n_samples, n_features)

Тестовые выборки. Для некоторых оценщиков это может быть предварительно вычисленная матрица ядра или список общих объектов вместо этого с формой (n_samples, n_samples_fitted), где n_samples_fitted — это количество образцов, использованных при обучении оценщика.

yarray-like формы (n_samples,) или (n_samples, n_outputs)

Истинные значения для X.

sample_weightarray-like формы (n_samples,), по умолчанию=None

Веса выборок.

Возвращает:

scorefloat

\(R^2\) of self.predict(X) относительно y.

Примечания

The \(R^2\) оценка, используемая при вызове score на регрессоре использует multioutput='uniform_average' с версии 0.23 для сохранения согласованности со значением по умолчанию r2_score. Это влияет на score метод всех многомерных регрессоров (кроме MultiOutputRegressor).

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → LinearSVR

Настроить, следует ли запрашивать передачу метаданных в fit метод.

Обратите внимание, что этот метод актуален только тогда, когда этот оценщик используется как под-оценщик внутри мета-оценщик и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Варианты для каждого параметра:

• True: запрашиваются метаданные и передаются fit если предоставлено. Запрос игнорируется, если метаданные не предоставлены.

• False: метаданные не запрашиваются, и мета-оценщик не передаст их в fit.

• None: метаданные не запрашиваются, и мета-оценщик выдаст ошибку, если пользователь предоставит их.

• str: метаданные должны передаваться мета-оценщику с этим заданным псевдонимом вместо исходного имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет существующий запрос. Это позволяет изменять запрос для некоторых параметров, но не для других.

Добавлено в версии 1.3.

Параметры:

sample_weightstr, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для sample_weight параметр в fit.

Возвращает:

selfobject

Обновленный объект.

set_params(**params)

Установить параметры этого оценщика.

Метод работает как на простых оценщиках, так и на вложенных объектах (таких как Pipeline). Последние имеют параметры вида __ чтобы можно было обновить каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр estimator

Экземпляр оценщика.

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → LinearSVR

Настроить, следует ли запрашивать передачу метаданных в score метод.

Обратите внимание, что этот метод актуален только тогда, когда этот оценщик используется как под-оценщик внутри мета-оценщик и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Варианты для каждого параметра:

• True: запрашиваются метаданные и передаются score если предоставлено. Запрос игнорируется, если метаданные не предоставлены.

• False: метаданные не запрашиваются, и мета-оценщик не передаст их в score.

• None: метаданные не запрашиваются, и мета-оценщик выдаст ошибку, если пользователь предоставит их.

• str: метаданные должны передаваться мета-оценщику с этим заданным псевдонимом вместо исходного имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет существующий запрос. Это позволяет изменять запрос для некоторых параметров, но не для других.

Добавлено в версии 1.3.

Параметры:

sample_weightstr, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для sample_weight параметр в score.

Возвращает:

selfobject

Обновленный объект.