OneClassSVM#

класс sklearn.svm.OneClassSVM(*, ядро='rbf', степень=3, gamma='scale', coef0=0.0, tol=0.001, nu=0.5, сжатие=True, cache_size=200, verbose=False, max_iter=-1)[источник]#

Обнаружение выбросов без учителя.

Оценка поддержки многомерного распределения.

Реализация основана на libsvm.

Подробнее в Руководство пользователя.

Параметры:
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.

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'.

tolfloat, по умолчанию=1e-3

Допуск для критерия остановки.

nufloat, по умолчанию=0.5

Верхняя граница доли ошибок обучения и нижняя граница доли опорных векторов. Должна находиться в интервале (0, 1]. По умолчанию принимается значение 0.5.

сжатиеbool, по умолчанию=True

Использовать ли эвристику сжатия. См. Руководство пользователя.

cache_sizefloat, default=200

Укажите размер кэша ядра (в МБ).

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.

Атрибуты:
coef_ndarray формы (1, n_features)

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

dual_coef_ndarray формы (1, n_SV)

Коэффициенты опорных векторов в решающей функции.

fit_status_int

0, если модель корректно обучена, 1 в противном случае (будет выдано предупреждение)

intercept_ndarray формы (1,)

Константа 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

Количество итераций, выполняемых процедурой оптимизации для обучения модели.

Добавлено в версии 1.1.

n_support_ndarray формы (n_classes,), dtype=int32

Количество опорных векторов для каждого класса.

offset_float

Смещение, используемое для определения решающей функции из исходных оценок. У нас есть соотношение: decision_function = score_samples - offset_. Смещение является противоположным intercept_ и предоставляется для согласованности с другими алгоритмами обнаружения выбросов.

Добавлено в версии 0.20.

shape_fit_кортеж int формы (n_dimensions_of_X,)

Размерности массива обучающего вектора X.

support_ndarray формы (n_SV,)

Индексы опорных векторов.

support_vectors_ndarray формы (n_SV, n_features)

Support vectors.

Смотрите также

sklearn.linear_model.SGDOneClassSVM

Решает линейную One-Class SVM с использованием стохастического градиентного спуска.

sklearn.neighbors.LocalOutlierFactor

Обнаружение выбросов без учителя с использованием локального фактора выбросов (LOF).

sklearn.ensemble.IsolationForest

Алгоритм Isolation Forest.

Примеры

>>> from sklearn.svm import OneClassSVM
>>> X = [[0], [0.44], [0.45], [0.46], [1]]
>>> clf = OneClassSVM(gamma='auto').fit(X)
>>> clf.predict(X)
array([-1,  1,  1,  1, -1])
>>> clf.score_samples(X)
array([1.7798, 2.0547, 2.0556, 2.0561, 1.7332])

Для более подробного примера, см. Моделирование распределения видов

decision_function(X)[источник]#

Знаковое расстояние до разделяющей гиперплоскости.

Знаковое расстояние положительно для выброса и отрицательно для аномалии.

Параметры:
Xarray-like формы (n_samples, n_features)

Матрица данных.

Возвращает:
декndarray формы (n_samples,)

Возвращает функцию принятия решений для образцов.

fit(X, y=None, sample_weight=None)[источник]#

Обнаружение мягкой границы набора образцов X.

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

Набор выборок, где n_samples — это количество образцов и n_features это количество признаков.

yИгнорируется

Не используется, присутствует для согласованности API по соглашению.

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 не является массивом с непрерывным порядком C, он копируется.

fit_predict(X, y=None, **kwargs)[источник]#

Выполнить подгонку на X и вернуть метки для X.

Возвращает -1 для выбросов и 1 для нормальных точек.

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

Входные образцы.

yИгнорируется

Не используется, присутствует для согласованности API по соглашению.

**kwargsdict

Аргументы, передаваемые в fit.

Добавлено в версии 1.4.

Возвращает:
yndarray формы (n_samples,)

1 для нормальных объектов, -1 для выбросов.

6332()[источник]#

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)[источник]#

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)[источник]#

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.

score_samples(X)[источник]#

Необработанная функция оценки выборок.

Параметры:
Xarray-like формы (n_samples, n_features)

Матрица данных.

Возвращает:
score_samplesndarray формы (n_samples,)

Возвращает (несдвинутую) функцию оценки для выборок.

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → OneClassSVM[источник]#

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)[источник]#

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.