l1_min_c

sklearn.svm.l1_min_c(X, y, *, loss='squared_hinge', fit_intercept=True, intercept_scaling=1.0)

Gibt die unterste Grenze für C zurück.

Die untere Grenze für C wird so berechnet, dass für C in (l1_min_C, infinity) garantiert ist, dass das Modell nicht leer ist. Dies gilt für l1-penalisierte Klassifikatoren wie sklearn.svm.LinearSVC mit penalty=’l1’ und sklearn.linear_model.LogisticRegression mit l1_ratio=1.

Dieser Wert ist gültig, wenn der Parameter class_weight in fit() nicht gesetzt ist.

Ein Beispiel für die Verwendung dieser Funktion finden Sie unter Regularisierungspfad von L1-logistischer Regression.

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.

loss{‘squared_hinge’, ‘log’}, Standardwert=’squared_hinge’

Gibt die Verlustfunktion an. Mit ‘squared_hinge’ ist es der quadratische Hinge-Verlust (auch L2-Verlust genannt). Mit ‘log’ ist es der Verlust von logistischen Regressionsmodellen.

fit_interceptbool, Standardwert=True

Gibt an, ob der Achsenabschnitt vom Modell angepasst werden soll. Es muss dem Parameter der fit()-Methode entsprechen.

intercept_scalingfloat, Standardwert=1.0

Wenn fit_intercept True ist, wird der Instanzvektor x zu [x, intercept_scaling], d.h. ein „synthetisches“ Merkmal mit konstantem Wert gleich intercept_scaling wird an den Instanzvektor angehängt. Es muss dem Parameter der fit()-Methode entsprechen.

Gibt zurück:

l1_min_cfloat

Minimaler Wert für C.

Beispiele

>>> from sklearn.svm import l1_min_c
>>> from sklearn.datasets import make_classification
>>> X, y = make_classification(n_samples=100, n_features=20, random_state=42)
>>> print(f"{l1_min_c(X, y, loss='squared_hinge', fit_intercept=True):.4f}")
0.0044

Galeriebeispiele

Regularisierungspfad der L1-Logistischen Regression

Regularisierungspfad der L1-Logistischen Regression