被动攻击回归器#

class sklearn.linear_model.PassiveAggressiveRegressor(*, C=1.0, fit_intercept=True, max_iter=1000, tol=0.001, early_stopping=False, validation_fraction=0.1, n_iter_no_change=5, shuffle=True, verbose=0, loss='epsilon_insensitive', epsilon=0.1, random_state=None, warm_start=False, average=False)[source]#

被动攻击回归器。

更多信息请参见用户指南。

参数：

Cfloat, 默认值=1.0

最大步长（正则化）。默认为 1.0。

fit_intercept布尔值，默认为 True

是否估计截距。如果为 False，则假设数据已中心化。默认为 True。

max_iter整数，默认为 1000

训练数据上的最大迭代次数（又称 epochs）。它只影响fit方法的行为，而不影响partial_fit方法。

0.19 版本新增。

tol浮点数或 None，默认为 1e-3

停止准则。如果它不是 None，则当 (loss > previous_loss - tol) 时迭代将停止。

0.19 版本新增。

early_stopping布尔值，默认为 False

是否使用提前停止，当验证分数没有提高时终止训练。如果设置为 True，它将自动将一部分训练数据留作验证集，并在验证分数在连续 n_iter_no_change 个 epochs 内没有提高至少 tol 时终止训练。

0.20 版本新增。

validation_fraction浮点数，默认为 0.1

留作验证集用于提前停止的训练数据的比例。必须在 0 和 1 之间。仅当 early_stopping 为 True 时使用。

0.20 版本新增。

n_iter_no_change整数，默认为 5

在提前停止之前等待的没有改进的迭代次数。

0.20 版本新增。

shuffle布尔值，默认为 True

每次 epoch 后是否应该打乱训练数据。

verbose整数，默认为 0

详细程度。

loss字符串，默认为 “epsilon_insensitive”

使用的损失函数：epsilon_insensitive：等同于参考文献中的 PA-I。squared_epsilon_insensitive：等同于参考文献中的 PA-II。

epsilon浮点数，默认为 0.1

如果当前预测与正确标签之间的差异低于此阈值，则模型不会更新。

random_state整数、RandomState 实例，默认为 None

当shuffle设置为True时，用于打乱训练数据。传递一个整数以在多次函数调用中获得可重复的输出。参见词汇表。

warm_start布尔值，默认为 False

设置为 True 时，重用先前对 fit 的调用的解作为初始化，否则，只擦除先前的解。参见词汇表。

当 warm_start 为 True 时重复调用 fit 或 partial_fit 可能导致与一次调用 fit 不同的解，这是由于数据被打乱的方式造成的。

average布尔值或整数，默认为 False

设置为 True 时，计算平均 SGD 权重并将结果存储在coef_属性中。如果设置为大于 1 的整数，则一旦看到的样本总数达到 average，就会开始平均。因此，average=10 将在看到 10 个样本后开始平均。

0.19 版本新增：参数 *average* 用于在 SGD 中使用权重平均。

属性：

coef_数组，形状为 [1, n_features]（如果 n_classes == 2）或 [n_classes, n_features]（否则）: 分配给特征的权重。
intercept_数组，形状为 [1]（如果 n_classes == 2）或 [n_classes]（否则）: 决策函数中的常数。
n_features_in_整数: 在拟合期间看到的特征数量。

0.24 版本新增。
feature_names_in_形状为 (n_features_in_,) 的 ndarray: 在拟合期间看到的特征名称。仅当X具有全是字符串的特征名称时才定义。

1.0 版本新增。
n_iter_整数: 达到停止准则的实际迭代次数。
t_整数: 训练期间执行的权重更新次数。与(n_iter_ * n_samples + 1)相同。

另请参见

SGDRegressor: 通过使用 SGD 最小化正则化经验损失来拟合的线性模型。

参考文献

在线被动攻击算法 <http://jmlr.csail.mit.edu/papers/volume7/crammer06a/crammer06a.pdf> K. Crammer，O. Dekel，J. Keshat，S. Shalev-Shwartz，Y. Singer - JMLR (2006)。

示例

>>> from sklearn.linear_model import PassiveAggressiveRegressor
>>> from sklearn.datasets import make_regression

>>> X, y = make_regression(n_features=4, random_state=0)
>>> regr = PassiveAggressiveRegressor(max_iter=100, random_state=0,
... tol=1e-3)
>>> regr.fit(X, y)
PassiveAggressiveRegressor(max_iter=100, random_state=0)
>>> print(regr.coef_)
[20.48736655 34.18818427 67.59122734 87.94731329]
>>> print(regr.intercept_)
[-0.02306214]
>>> print(regr.predict([[0, 0, 0, 0]]))
[-0.02306214]

densify()[source]#

将系数矩阵转换为密集数组格式。

将coef_成员（返回）转换为 numpy.ndarray。这是coef_的默认格式，并且拟合需要此格式，因此仅在先前已稀疏化的模型上才需要调用此方法；否则，它是一个无操作。

返回：

self: 拟合的估计器。

fit(X, y, coef_init=None, intercept_init=None)[source]#

使用被动攻击算法拟合线性模型。

参数：

X形状为 (n_samples, n_features) 的 {类数组、稀疏矩阵}: 训练数据。
y形状为 [n_samples] 的 numpy 数组: 目标值。
coef_init数组，形状为 [n_features]: 用于预热启动优化的初始系数。
intercept_init数组，形状为 [1]: 用于预热启动优化的初始截距。

返回：

self对象: 拟合的估计器。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查看用户指南，了解路由机制的工作原理。

返回：

routingMetadataRequest: 一个MetadataRequest，封装了路由信息。

get_params(deep=True)[source]#

获取此估计器的参数。

参数：

deepbool, default=True: 如果为 True，则将返回此估计器及其包含的作为估计器的子对象的参数。

返回：

paramsdict: 参数名称与其值的映射。

partial_fit(X, y)[source]#

使用被动攻击算法拟合线性模型。

参数：

X形状为 (n_samples, n_features) 的 {类数组、稀疏矩阵}: 训练数据的子集。
y形状为 [n_samples] 的 numpy 数组: 目标值的子集。

返回：

self对象: 拟合的估计器。

predict(X)[source]#

使用线性模型进行预测。

参数：

X{array-like, sparse matrix}, shape (n_samples, n_features): 输入数据。

返回：

shape 为 (n_samples,) 的 ndarray: X 中每个元素的预测目标值。

score(X, y, sample_weight=None)[source]#

返回预测的决定系数。

决定系数 $R^2$ 定义为 $(1 - \frac{u}{v})$，其中 $u$ 是残差平方和 ((y_true - y_pred)** 2).sum()，而 $v$ 是总平方和 ((y_true - y_true.mean()) ** 2).sum()。最佳分数为 1.0，也可能为负数（因为模型可以任意差）。一个始终预测 y 的期望值的常数模型，忽略输入特征，其 $R^2$ 分数为 0.0。

参数：

Xarray-like of shape (n_samples, n_features): 测试样本。对于某些估计器，这可能是预计算的核矩阵或形状为 (n_samples, n_samples_fitted) 的泛型对象的列表，其中 n_samples_fitted 是估计器拟合中使用的样本数。
yarray-like of shape (n_samples,) or (n_samples, n_outputs): X 的真实值。
sample_weightarray-like of shape (n_samples,), default=None: 样本权重。

返回：

scorefloat: self.predict(X) 关于 y 的 $R^2$。

备注

从 0.23 版本开始，调用回归器的 score 时使用的 $R^2$ 分数使用 multioutput='uniform_average'，以保持与 r2_score 的默认值一致。这会影响所有多输出回归器的 score 方法（MultiOutputRegressor 除外）。

set_fit_request(*, coef_init: bool | None | str = '$UNCHANGED$', intercept_init: bool | None | str = '$UNCHANGED$') → PassiveAggressiveRegressor[source]#

请求传递给fit方法的元数据。

请注意，只有在enable_metadata_routing=True时（参见sklearn.set_config）此方法才相关。请参阅用户指南了解路由机制的工作原理。

每个参数的选项为：

True：请求元数据，如果提供则传递给fit。如果未提供元数据，则忽略请求。
False：不请求元数据，元估计器不会将其传递给fit。
None：不请求元数据，如果用户提供元数据，元估计器将引发错误。
str：元数据应使用此给定的别名而不是原始名称传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有的请求。这允许您更改某些参数的请求，而无需更改其他参数的请求。

版本 1.3 中新增。

注意

仅当将此估计器用作元估计器的子估计器（例如，在Pipeline中使用）时，此方法才相关。否则，它没有任何效果。

参数：

coef_initstr, True, False 或 None，默认为 sklearn.utils.metadata_routing.UNCHANGED: fit 中 coef_init 参数的元数据路由。
intercept_initstr, True, False 或 None，默认为 sklearn.utils.metadata_routing.UNCHANGED: fit 中 intercept_init 参数的元数据路由。

返回：

self对象: 更新后的对象。

set_params(**params)[source]#

设置此估计器的参数。

此方法适用于简单的估计器以及嵌套对象（例如 Pipeline）。后者具有 <component>__<parameter> 形式的参数，因此可以更新嵌套对象的每个组件。

参数：

**paramsdict: 估计器参数。

返回：

self估计器实例: 估计器实例。

set_partial_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → PassiveAggressiveRegressor[source]#

请求传递给partial_fit方法的元数据。

请注意，只有在enable_metadata_routing=True时（参见sklearn.set_config）此方法才相关。请参阅用户指南了解路由机制的工作原理。

每个参数的选项为：

True：请求元数据，如果提供则传递给partial_fit。如果未提供元数据，则忽略请求。
False：不请求元数据，元估计器不会将其传递给partial_fit。
None：不请求元数据，如果用户提供元数据，元估计器将引发错误。
str：元数据应使用此给定的别名而不是原始名称传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有的请求。这允许您更改某些参数的请求，而无需更改其他参数的请求。

版本 1.3 中新增。

注意

仅当将此估计器用作元估计器的子估计器（例如，在Pipeline中使用）时，此方法才相关。否则，它没有任何效果。

参数：

sample_weightstr、True、False或None，默认为sklearn.utils.metadata_routing.UNCHANGED: 在partial_fit方法中，sample_weight参数的元数据路由。

返回：

self对象: 更新后的对象。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → PassiveAggressiveRegressor[source]#

请求传递给score方法的元数据。

请注意，只有在enable_metadata_routing=True时（参见sklearn.set_config）此方法才相关。请参阅用户指南了解路由机制的工作原理。

每个参数的选项为：

True：请求元数据，如果提供则传递给score。如果未提供元数据，则忽略请求。
False：不请求元数据，元估计器不会将其传递给score。
None：不请求元数据，如果用户提供元数据，元估计器将引发错误。
str：元数据应使用此给定的别名而不是原始名称传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有的请求。这允许您更改某些参数的请求，而无需更改其他参数的请求。

版本 1.3 中新增。

注意

仅当将此估计器用作元估计器的子估计器（例如，在Pipeline中使用）时，此方法才相关。否则，它没有任何效果。

参数：

sample_weightstr、True、False或None，默认为sklearn.utils.metadata_routing.UNCHANGED: 在score方法中，sample_weight参数的元数据路由。

返回：

self对象: 更新后的对象。

sparsify()[source]#

将系数矩阵转换为稀疏格式。

将coef_成员转换为scipy.sparse矩阵，对于L1正则化模型，这比通常的numpy.ndarray表示更节省内存和存储空间。

intercept_成员不会被转换。

返回：

self: 拟合的估计器。

备注

对于非稀疏模型，即当coef_中零元素不多时，这实际上可能会增加内存使用量，因此请谨慎使用此方法。一个经验法则是，零元素的数量（可以使用(coef_ == 0).sum()计算）必须超过50％才能获得显著益处。

调用此方法后，使用partial_fit方法（如果有）进行进一步拟合将无法工作，直到您调用densify。