LinearSVR

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

Lineare Support Vector Regression.

Ähnlich wie SVR mit Parameter kernel=’linear‘, aber implementiert in Bezug auf liblinear anstatt libsvm, wodurch es mehr Flexibilität bei der Wahl von Straf- und Verlustfunktionen hat und besser auf große Stichprobensätze skalieren sollte.

Die Hauptunterschiede zwischen LinearSVR und SVR liegen in der standardmäßig verwendeten Verlustfunktion und in der Behandlung der Intercept-Regularisierung zwischen diesen beiden Implementierungen.

Diese Klasse unterstützt sowohl dichte als auch spärliche Eingaben.

Lesen Sie mehr im Benutzerhandbuch.

Hinzugefügt in Version 0.16.

Parameter:

epsilonfloat, Standard=0.0

Epsilon-Parameter in der epsilon-unempfindlichen Verlustfunktion. Beachten Sie, dass der Wert dieses Parameters von der Skala der Zielvariablen y abhängt. Wenn Sie unsicher sind, setzen Sie epsilon=0.

tolfloat, Standard=1e-4

Toleranz für die Abbruchkriterien.

Cfloat, Standardwert=1.0

Regularisierungsparameter. Die Stärke der Regularisierung ist umgekehrt proportional zu C. Muss strikt positiv sein.

loss{‘epsilon_insensitive’, ‘squared_epsilon_insensitive’}, Standard=’epsilon_insensitive’

Gibt die Verlustfunktion an. Die epsilon-unempfindliche Verlustfunktion (Standard-SVR) ist die L1-Verlustfunktion, während die quadratische epsilon-unempfindliche Verlustfunktion ('squared_epsilon_insensitive') die L2-Verlustfunktion ist.

fit_interceptbool, Standardwert=True

Ob ein Intercept angepasst werden soll oder nicht. Wenn auf True gesetzt, wird der Merkmalsvektor um einen Intercept-Term erweitert: [x_1, ..., x_n, 1], wobei 1 dem Intercept entspricht. Wenn auf False gesetzt, wird kein Intercept in den Berechnungen verwendet (d. h. es wird erwartet, dass die Daten bereits zentriert sind).

intercept_scalingfloat, Standardwert=1.0

Wenn fit_intercept True ist, wird der Instanzvektor x zu [x_1, ..., x_n, intercept_scaling], d. h. ein "synthetisches" Merkmal mit einem konstanten Wert gleich intercept_scaling wird an den Instanzvektor angehängt. Der Intercept wird zu intercept_scaling * synthetisches Merkmalsgewicht. Beachten Sie, dass liblinear intern den Intercept bestraft und ihn wie jeden anderen Term im Merkmalsvektor behandelt. Um die Auswirkungen der Regularisierung auf den Intercept zu verringern, kann der Parameter intercept_scaling auf einen Wert größer als 1 gesetzt werden; je höher der Wert von intercept_scaling, desto geringer die Auswirkung der Regularisierung darauf. Dann werden die Gewichte zu [w_x_1, ..., w_x_n, w_intercept*intercept_scaling], wobei w_x_1, ..., w_x_n die Gewichtsmerkmale und das Intercept-Gewicht mit intercept_scaling skaliert werden. Diese Skalierung ermöglicht, dass der Intercept-Term ein anderes Regularisierungsverhalten aufweist als die anderen Merkmale.

dual"auto" oder bool, Standard="auto"

Wählen Sie den Algorithmus, um entweder das duale oder das primäre Optimierungsproblem zu lösen. Bevorzugen Sie dual=False, wenn n_samples > n_features. dual="auto" wählt den Wert des Parameters automatisch basierend auf den Werten von n_samples, n_features und loss. Wenn n_samples < n_features und der Optimierer die gewählte loss unterstützt, wird dual auf True gesetzt, andernfalls auf False.

Geändert in Version 1.3: Die Option "auto" wurde in Version 1.3 hinzugefügt und ist die Standardeinstellung in Version 1.5.

verboseint, default=0

Aktiviert die ausführliche Ausgabe. Beachten Sie, dass diese Einstellung eine prozessinterne Laufzeiteinstellung in liblinear nutzt, die, wenn sie aktiviert ist, in einer multithreaded Umgebung möglicherweise nicht ordnungsgemäß funktioniert.

random_stateint, RandomState-Instanz oder None, default=None

Steuert die Pseudo-Zufallszahlengenerierung zum Mischen der Daten. Übergeben Sie eine Ganzzahl für reproduzierbare Ergebnisse über mehrere Funktionsaufrufe hinweg. Siehe Glossar.

max_iterint, default=1000

Die maximale Anzahl der auszuführenden Iterationen.

Attribute:

coef_ndarray der Form (n_features) wenn n_classes == 2 sonst (n_classes, n_features)

Gewichte, die den Merkmalen zugewiesen werden (Koeffizienten im primären Problem).

coef_ ist eine schreibgeschützte Eigenschaft, die aus raw_coef_ abgeleitet wird und dem internen Speicherlayout von liblinear folgt.

intercept_ndarray der Form (1) wenn n_classes == 2 sonst (n_classes)

Konstanten in der Entscheidungsfunktion.

n_features_in_int

Anzahl der während des fits gesehenen Merkmale.

Hinzugefügt in Version 0.24.

feature_names_in_ndarray mit Form (n_features_in_,)

Namen der während fit gesehenen Merkmale. Nur definiert, wenn X Merkmalnamen hat, die alle Zeichenketten sind.

Hinzugefügt in Version 1.0.

n_iter_int

Maximale Anzahl von Iterationen, die über alle Klassen hinweg ausgeführt wurden.

Siehe auch

LinearSVC

Implementierung des Support Vector Machine-Klassifikators unter Verwendung derselben Bibliothek wie diese Klasse (liblinear).

SVR

Implementierung der Support Vector Machine-Regression unter Verwendung von libsvm: Der Kernel kann nichtlinear sein, aber sein SMO-Algorithmus skaliert nicht so gut für große Stichprobensätze wie LinearSVR.

sklearn.linear_model.SGDRegressor

SGDRegressor kann die gleiche Kostenfunktion wie LinearSVR optimieren, indem die Straf- und Verlustparameter angepasst werden. Darüber hinaus benötigt es weniger Speicher, ermöglicht inkrementelles (Online-)Lernen und implementiert verschiedene Verlustfunktionen und Regularisierungsregime.

Beispiele

>>> 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)

Trainiert das Modell anhand der gegebenen Trainingsdaten.

Parameter:

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

Trainingsvektor, wobei n_samples die Anzahl der Stichproben und n_features die Anzahl der Merkmale ist.

yarray-like von Form (n_samples,)

Zielvektor relativ zu X.

sample_weightarray-like der Form (n_samples,), Standardwert=None

Array von Gewichten, die einzelnen Stichproben zugeordnet sind. Wenn nicht bereitgestellt, erhält jede Stichprobe das Einheitsgewicht.

Hinzugefügt in Version 0.18.

Gibt zurück:

selfobject

Eine Instanz des Schätzers.

get_metadata_routing()

Holt das Metadaten-Routing dieses Objekts.

Bitte prüfen Sie im Benutzerhandbuch, wie der Routing-Mechanismus funktioniert.

Gibt zurück:

routingMetadataRequest

Ein MetadataRequest, der Routing-Informationen kapselt.

get_params(deep=True)

Holt Parameter für diesen Schätzer.

Parameter:

deepbool, default=True

Wenn True, werden die Parameter für diesen Schätzer und die enthaltenen Unterobjekte, die Schätzer sind, zurückgegeben.

Gibt zurück:

paramsdict

Parameternamen, zugeordnet ihren Werten.

predict(X)

Vorhersage mit dem linearen Modell.

Parameter:

Xarray-like oder sparse matrix, Form (n_samples, n_features)

Stichproben.

Gibt zurück:

Carray, Form (n_samples,)

Gibt vorhergesagte Werte zurück.

score(X, y, sample_weight=None)

Gibt den Bestimmtheitskoeffizienten auf Testdaten zurück.

Der Bestimmtheitskoeffizient, \(R^2\), ist definiert als \((1 - \frac{u}{v})\), wobei \(u\) die Summe der quadrierten Residuen ((y_true - y_pred)** 2).sum() und \(v\) die Summe der gesamten Quadrate ((y_true - y_true.mean()) ** 2).sum() ist. Der bestmögliche Score ist 1.0 und kann negativ sein (da das Modell beliebig schlechter sein kann). Ein konstantes Modell, das immer den Erwartungswert von y vorhersagt, unabhängig von den Eingabemerkmalen, würde einen \(R^2\)-Score von 0.0 erzielen.

Parameter:

Xarray-like der Form (n_samples, n_features)

Teststichproben. Für einige Schätzer kann dies eine vorab berechnete Kernelmatrix oder eine Liste von generischen Objekten sein, stattdessen mit der Form (n_samples, n_samples_fitted), wobei n_samples_fitted die Anzahl der für die Anpassung des Schätzers verwendeten Stichproben ist.

yarray-like der Form (n_samples,) oder (n_samples, n_outputs)

Wahre Werte für X.

sample_weightarray-like der Form (n_samples,), Standardwert=None

Stichprobengewichte.

Gibt zurück:

scorefloat

\(R^2\) von self.predict(X) bezogen auf y.

Anmerkungen

Der \(R^2\)-Score, der beim Aufruf von score auf einem Regressor verwendet wird, nutzt multioutput='uniform_average' ab Version 0.23, um konsistent mit dem Standardwert von r2_score zu bleiben. Dies beeinflusst die score-Methode aller Multioutput-Regressoren (außer MultiOutputRegressor).

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

Konfiguriert, ob Metadaten für die fit-Methode angefordert werden sollen.

Beachten Sie, dass diese Methode nur relevant ist, wenn dieser Schätzer als Unter-Schätzer innerhalb eines Meta-Schätzers verwendet wird und Metadaten-Routing mit enable_metadata_routing=True aktiviert ist (siehe sklearn.set_config). Bitte lesen Sie das Benutzerhandbuch, um zu erfahren, wie der Routing-Mechanismus funktioniert.

Die Optionen für jeden Parameter sind

• True: Metadaten werden angefordert und, falls vorhanden, an fit übergeben. Die Anforderung wird ignoriert, wenn keine Metadaten vorhanden sind.

• False: Metadaten werden nicht angefordert und der Meta-Schätzer übergibt sie nicht an fit.

• None: Metadaten werden nicht angefordert und der Meta-Schätzer löst einen Fehler aus, wenn der Benutzer sie bereitstellt.

• str: Metadaten sollten mit diesem Alias an den Meta-Schätzer übergeben werden und nicht mit dem ursprünglichen Namen.

Der Standardwert (sklearn.utils.metadata_routing.UNCHANGED) behält die bestehende Anforderung bei. Dies ermöglicht es Ihnen, die Anforderung für einige Parameter zu ändern und für andere nicht.

Hinzugefügt in Version 1.3.

Parameter:

sample_weightstr, True, False, oder None, Standardwert=sklearn.utils.metadata_routing.UNCHANGED

Metadaten-Routing für den Parameter sample_weight in fit.

Gibt zurück:

selfobject

Das aktualisierte Objekt.

set_params(**params)

Setzt die Parameter dieses Schätzers.

Die Methode funktioniert sowohl bei einfachen Schätzern als auch bei verschachtelten Objekten (wie Pipeline). Letztere haben Parameter der Form <component>__<parameter>, so dass es möglich ist, jede Komponente eines verschachtelten Objekts zu aktualisieren.

Parameter:

**paramsdict

Schätzer-Parameter.

Gibt zurück:

selfestimator instance

Schätzer-Instanz.

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

Konfiguriert, ob Metadaten für die score-Methode angefordert werden sollen.

Beachten Sie, dass diese Methode nur relevant ist, wenn dieser Schätzer als Unter-Schätzer innerhalb eines Meta-Schätzers verwendet wird und Metadaten-Routing mit enable_metadata_routing=True aktiviert ist (siehe sklearn.set_config). Bitte lesen Sie das Benutzerhandbuch, um zu erfahren, wie der Routing-Mechanismus funktioniert.

Die Optionen für jeden Parameter sind

• True: Metadaten werden angefordert und, falls vorhanden, an score übergeben. Die Anforderung wird ignoriert, wenn keine Metadaten vorhanden sind.

• False: Metadaten werden nicht angefordert und der Meta-Schätzer übergibt sie nicht an score.

• None: Metadaten werden nicht angefordert und der Meta-Schätzer löst einen Fehler aus, wenn der Benutzer sie bereitstellt.

• str: Metadaten sollten mit diesem Alias an den Meta-Schätzer übergeben werden und nicht mit dem ursprünglichen Namen.

Der Standardwert (sklearn.utils.metadata_routing.UNCHANGED) behält die bestehende Anforderung bei. Dies ermöglicht es Ihnen, die Anforderung für einige Parameter zu ändern und für andere nicht.

Hinzugefügt in Version 1.3.

Parameter:

sample_weightstr, True, False, oder None, Standardwert=sklearn.utils.metadata_routing.UNCHANGED

Metadaten-Routing für den Parameter sample_weight in score.

Gibt zurück:

selfobject

Das aktualisierte Objekt.