NuSVC

класс sklearn.svm.NuSVC(*, nu=0.5, ядро='rbf', степень=3, gamma='scale', coef0=0.0, сжатие=True, вероятность=False, tol=0.001, cache_size=200, class_weight=None, verbose=False, max_iter=-1, decision_function_shape='ovr', break_ties=False, random_state=None)

Nu-метод опорных векторов для классификации.

Аналогично SVC, но использует параметр для управления количеством опорных векторов.

Реализация основана на libsvm.

Подробнее в Руководство пользователя.

Параметры:

nufloat, по умолчанию=0.5

Верхняя граница доли ошибок на границе (см. Руководство пользователя) и нижняя граница доли опорных векторов. Должна быть в интервале (0, 1].

ядро{‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’} или вызываемый объект, по умолчанию=’rbf’

Определяет тип ядра, используемый в алгоритме. Если ничего не указано, будет использоваться ‘rbf’. Если указана вызываемая функция, она используется для предварительного вычисления матрицы ядра. Для интуитивной визуализации различных типов ядер см. Построение границ классификации с различными ядрами SVM.

степеньint, по умолчанию=3

Степень полиномиальной ядерной функции ('poly'). Должна быть неотрицательной. Игнорируется всеми другими ядрами.

gamma{‘scale’, ‘auto’} или float, по умолчанию='scale'

Коэффициент ядра для 'rbf', 'poly' и 'sigmoid'.

• if gamma='scale' (по умолчанию) передается, тогда используется 1 / (n_features * X.var()) в качестве значения gamma,

• если 'auto', использует 1 / n_features

• если float, должно быть неотрицательным.

Изменено в версии 0.22: Значение по умолчанию для gamma изменено с 'auto' на 'scale'.

coef0float, по умолчанию=0.0

Независимый член в ядерной функции. Значим только для 'poly' и 'sigmoid'.

сжатиеbool, по умолчанию=True

Использовать ли эвристику сжатия. См. Руководство пользователя.

вероятностьbool, по умолчанию=False

Включить ли оценку вероятностей. Это должно быть включено до вызова fit, замедлит этот метод, так как он внутренне использует 5-кратную кросс-валидацию, и predict_proba может быть несовместимым с predict. Подробнее в Руководство пользователя.

tolfloat, по умолчанию=1e-3

Допуск для критерия остановки.

cache_sizefloat, default=200

Укажите размер кэша ядра (в МБ).

class_weight{dict, ‘balanced’}, по умолчанию=None

Установите параметр C класса i в class_weight[i]*C для SVC. Если не задано, предполагается, что все классы имеют вес один. Режим "balanced" использует значения y для автоматической настройки весов обратно пропорционально частотам классов, как n_samples / (n_classes * np.bincount(y)).

verbosebool, по умолчанию=False

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

max_iterint, по умолчанию=-1

Жесткое ограничение на итерации внутри решателя, или -1 для отсутствия ограничения.

decision_function_shape{‘ovo’, ‘ovr’}, по умолчанию ‘ovr’

Возвращать ли функцию принятия решений «один против всех» (‘ovr’) формы (n_samples, n_classes), как у всех других классификаторов, или исходную функцию принятия решений «один против одного» (‘ovo’) из libsvm, которая имеет форму (n_samples, n_classes * (n_classes - 1) / 2). Однако стратегия «один против одного» (‘ovo’) всегда используется для многоклассовой классификации. Параметр игнорируется для бинарной классификации.

Изменено в версии 0.19: decision_function_shape по умолчанию имеет значение 'ovr'.

Добавлено в версии 0.17: decision_function_shape='ovr' рекомендуется.

Изменено в версии 0.17: Устаревший decision_function_shape='ovo' и None.

break_tiesbool, по умолчанию=False

Если true, decision_function_shape='ovr', и количество классов > 2, predict будет разрешать ничьи в соответствии со значениями достоверности decision_function; в противном случае возвращается первый класс среди связанных классов. Обратите внимание, что разрешение связей требует относительно высоких вычислительных затрат по сравнению с простым предсказанием. См. Пример разрешения ничьей в SVM для примера его использования с decision_function_shape='ovr'.

Добавлено в версии 0.22.

random_stateint, экземпляр RandomState или None, по умолчанию=None

Управляет псевдослучайной генерацией чисел для перемешивания данных при оценке вероятностей. Игнорируется, когда probability равно False. Передайте int для воспроизводимого вывода при множественных вызовах функции. См. Глоссарий.

Атрибуты:

class_weight_ndarray формы (n_classes,)

Множители параметра C для каждого класса. Вычисляются на основе class_weight параметр.

classes_ndarray формы (n_classes,)

Уникальные метки классов.

coef_ndarray формы (n_classes * (n_classes -1) / 2, n_features)

Веса, присвоенные признакам, когда kernel="linear".

dual_coef_ndarray формы (n_classes - 1, n_SV)

Двойные коэффициенты опорного вектора в функции принятия решений (см. Математическая формулировка), умноженные на их цели. Для многоклассовой классификации, коэффициент для всех классификаторов 1-vs-1. Расположение коэффициентов в многоклассовом случае несколько нетривиально. См. раздел многоклассовой классификации в руководстве пользователя подробности.

fit_status_int

0, если модель корректно обучена, 1, если алгоритм не сошелся.

intercept_ndarray формы (n_classes * (n_classes - 1) / 2,)

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_ndarray формы (n_classes * (n_classes - 1) // 2,)

Количество итераций, выполняемых процедурой оптимизации для обучения модели. Форма этого атрибута зависит от количества оптимизированных моделей, которое в свою очередь зависит от количества классов.

Добавлено в версии 1.1.

support_ndarray формы (n_SV,)

Индексы опорных векторов.

support_vectors_ndarray формы (n_SV, n_features)

Support vectors.

n_support_ndarray формы (n_classes,), dtype=int32

Количество опорных векторов для каждого класса.

fit_status_int

0, если модель корректно обучена, 1, если алгоритм не сошелся.

probA_ndarray формы (n_classes * (n_classes - 1) / 2,)

Параметр, изученный при масштабировании Платта, когда probability=True.

probB_ndarray формы (n_classes * (n_classes - 1) / 2,)

Параметр, изученный при масштабировании Платта, когда probability=True.

shape_fit_кортеж int формы (n_dimensions_of_X,)

Размерности массива обучающего вектора X.

Смотрите также

SVC

Метод опорных векторов для классификации с использованием libsvm.

LinearSVC

Масштабируемая линейная машина опорных векторов для классификации с использованием liblinear.

Ссылки

[1]

LIBSVM: Библиотека для машин опорных векторов

[2]

Платт, Джон (1999). «Вероятностные выходы для опорных векторов машин и сравнение с методами регуляризованного правдоподобия»

Примеры

>>> import numpy as np
>>> X = np.array([[-1, -1], [-2, -1], [1, 1], [2, 1]])
>>> y = np.array([1, 1, 2, 2])
>>> from sklearn.pipeline import make_pipeline
>>> from sklearn.preprocessing import StandardScaler
>>> from sklearn.svm import NuSVC
>>> clf = make_pipeline(StandardScaler(), NuSVC())
>>> clf.fit(X, y)
Pipeline(steps=[('standardscaler', StandardScaler()), ('nusvc', NuSVC())])
>>> print(clf.predict([[-0.8, -1]]))
[1]

decision_function(X)

Оценить функцию принятия решений для выборок в X.

Параметры:

Xarray-like формы (n_samples, n_features)

Входные образцы.

Возвращает:

Xndarray формы (n_samples, n_classes * (n_classes-1) / 2)

Возвращает функцию принятия решения для каждого класса в модели. Если decision_function_shape='ovr', форма (n_samples, n_classes).

Примечания

Если decision_function_shape='ovo', значения функции пропорциональны расстоянию образцов X до разделяющей гиперплоскости. Если требуются точные расстояния, разделите значения функции на норму вектора весов (coef_). См. также этот вопрос для получения дополнительных сведений. Если decision_function_shape='ovr', функция принятия решений является монотонным преобразованием функции принятия решений ovo.

fit(X, y, sample_weight=None)

Обучите модель SVM в соответствии с предоставленными обучающими данными.

Параметры:

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

Обучающие векторы, где n_samples это количество образцов и n_features — это количество признаков. Для kernel="precomputed" ожидаемая форма X — (n_samples, n_samples).

yarray-like формы (n_samples,)

Целевые значения (метки классов в классификации, вещественные числа в регрессии).

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

Веса для каждого образца. Масштабируют C для каждого образца. Более высокие веса заставляют классификатор уделять больше внимания этим точкам.

Возвращает:

selfobject

Обученный оценщик.

Примечания

Если X и y не являются C-упорядоченными и непрерывными массивами np.float64 и X не является scipy.sparse.csr_matrix, X и/или y могут быть скопированы.

Если X является плотным массивом, то другие методы не будут поддерживать разреженные матрицы в качестве входных данных.

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)

Выполняет классификацию для выборок в X.

Для одноклассовой модели возвращается +1 или -1.

Параметры:

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

Для kernel="precomputed" ожидаемая форма X (n_samples_test, n_samples_train).

Возвращает:

y_predndarray формы (n_samples,)

Метки классов для образцов в X.

predict_log_proba(X)

Вычислить логарифмы вероятностей возможных исходов для выборок в X.

Модель должна иметь информацию о вероятностях, вычисленную во время обучения: обучение с атрибутом probability установлено в True.

Параметры:

Xarray-like формы (n_samples, n_features) или (n_samples_test, n_samples_train)

Для kernel="precomputed" ожидаемая форма X (n_samples_test, n_samples_train).

Возвращает:

Tndarray формы (n_samples, n_classes)

Возвращает логарифмы вероятностей выборки для каждого класса в модели. Столбцы соответствуют классам в отсортированном порядке, как они появляются в атрибуте classes_.

Примечания

Вероятностная модель создается с использованием перекрестной проверки, поэтому результаты могут немного отличаться от полученных с помощью predict. Кроме того, она даст бессмысленные результаты на очень маленьких наборах данных.

predict_proba(X)

Вычислите вероятности возможных исходов для выборок в X.

Модель должна иметь информацию о вероятностях, вычисленную во время обучения: обучение с атрибутом probability установлено в True.

Параметры:

Xarray-like формы (n_samples, n_features)

Для kernel="precomputed" ожидаемая форма X (n_samples_test, n_samples_train).

Возвращает:

Tndarray формы (n_samples, n_classes)

Возвращает вероятность образца для каждого класса в модели. Столбцы соответствуют классам в отсортированном порядке, как они появляются в атрибуте classes_.

Примечания

Вероятностная модель создается с использованием перекрестной проверки, поэтому результаты могут немного отличаться от полученных с помощью predict. Кроме того, она даст бессмысленные результаты на очень маленьких наборах данных.

score(X, y, sample_weight=None)

Возвращает точность на предоставленных данных и метках.

В многометочной классификации это точность подмножества, которая является строгой метрикой, поскольку требует для каждого образца правильного предсказания каждого набора меток.

Параметры:

Xarray-like формы (n_samples, n_features)

Тестовые выборки.

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

Истинные метки для X.

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

Веса выборок.

Возвращает:

scorefloat

Средняя точность self.predict(X) относительно y.

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

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 = '$UNCHANGED$') → NuSVC

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.