Nu 支持向量回归

class sklearn.svm.NuSVR(*, nu=0.5, C=1.0, kernel='rbf', degree=3, gamma='scale', coef0=0.0, shrinking=True, tol=0.001, cache_size=200, verbose=False, max_iter=-1)

Nu 支持向量回归。

类似于 NuSVC，对于回归，使用参数 nu 来控制支持向量的数量。但是，与 NuSVC 中 nu 替换 C 不同，这里的 nu 替换了 epsilon-SVR 的参数 epsilon。

该实现基于 libsvm。

更多信息请阅读 用户指南。

参数：

nufloat, default=0.5

训练误差分数的上限和支持向量分数的下限。应在区间 (0, 1] 内。默认为 0.5。

Cfloat, default=1.0

误差项的惩罚参数 C。有关缩放正则化参数 C 的影响的直观可视化，请参见 SVC 的正则化参数缩放。

kernel{‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’} 或 callable，默认为’rbf’

指定算法中使用的核类型。如果没有给出，则将使用“rbf”。如果给出了可调用对象，则将其用于预计算核矩阵。有关不同核类型的直观可视化，请参见 使用线性核和非线性核的支持向量回归 (SVR)

degreeint，默认为 3

多项式核函数 (‘poly’) 的阶数。必须是非负数。所有其他内核都忽略它。

gamma{‘scale’, ‘auto’} 或 float，默认为’scale’

‘rbf’、‘poly’ 和 ‘sigmoid’ 的核系数。

• 如果传递 gamma='scale'（默认值），则它使用 1 / (n_features * X.var()) 作为 gamma 的值，

• 如果为 ‘auto’，则使用 1 / n_features

• 如果为 float，则必须是非负数。

0.22 版中的更改： gamma 的默认值已从 ‘auto’ 更改为 ‘scale’。

coef0float，默认为 0.0

核函数中的独立项。它只在 ‘poly’ 和 ‘sigmoid’ 中很重要。

shrinkingbool，默认为 True

是否使用收缩启发式算法。参见 用户指南。

tolfloat，默认为 1e-3

停止准则的容差。

cache_sizefloat，默认为 200

指定内核缓存的大小（以 MB 为单位）。

verbosebool，默认为 False

启用详细输出。请注意，此设置利用了 libsvm 中的每个进程运行时设置，如果启用该设置，则可能无法在多线程上下文中正常工作。

max_iterint，默认为 -1

求解器中迭代的硬限制，或 -1 表示无限制。

属性：

coef_形状为 (1, n_features) 的 ndarray

当 kernel="linear" 时分配给特征的权重。

dual_coef_形状为 (1, n_SV) 的 ndarray

决策函数中支持向量的系数。

fit_status_int

如果正确拟合则为 0，否则为 1（将发出警告）

intercept_形状为 (1,) 的 ndarray

决策函数中的常数。

n_features_in_int

在 拟合期间看到的特征数量。

0.24 版中添加。

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 具有全部为字符串的特征名称时才定义。

1.0 版中添加。

n_iter_int

优化例程拟合模型所运行的迭代次数。

1.1 版中添加。

n_support_形状为 (1,)、dtype=int32 的 ndarray

每个类的支持向量的数量。

shape_fit_形状为 (n_dimensions_of_X,) 的 int 元组

训练向量 X 的数组维度。

support_形状为 (n_SV,) 的 ndarray

支持向量的索引。

support_vectors_形状为 (n_SV, n_features) 的 ndarray

支持向量。

另请参见

Nu 支持向量分类器

使用 libsvm 实现的用于分类的支持向量机，带有一个用于控制支持向量数量的参数。

支持向量回归器

使用 libsvm 实现的用于回归的 Epsilon 支持向量机。

参考文献

[1]

LIBSVM：支持向量机的库

[2]

Platt，John（1999）。“支持向量机的概率输出以及与正则化似然方法的比较”

示例

>>> from sklearn.svm import NuSVR
>>> from sklearn.pipeline import make_pipeline
>>> from sklearn.preprocessing import StandardScaler
>>> import numpy as np
>>> n_samples, n_features = 10, 5
>>> np.random.seed(0)
>>> y = np.random.randn(n_samples)
>>> X = np.random.randn(n_samples, n_features)
>>> regr = make_pipeline(StandardScaler(), NuSVR(C=1.0, nu=0.1))
>>> regr.fit(X, y)
Pipeline(steps=[('standardscaler', StandardScaler()),
                ('nusvr', NuSVR(nu=0.1))])

property coef_

当 kernel="linear" 时分配给特征的权重。

返回值：

形状为 (n_features, n_classes) 的 ndarray

fit(X, y, sample_weight=None)

根据给定的训练数据拟合 SVM 模型。

参数：

X形状为 (n_samples, n_features) 或 (n_samples, n_samples) 的 {array-like，稀疏矩阵}

训练向量，其中 n_samples 是样本数，n_features 是特征数。对于 kernel=”precomputed”，X 的预期形状为 (n_samples, n_samples)。

y形状为 (n_samples,) 的 array-like

目标值（分类中的类标签，回归中的实数）。

sample_weight形状为 (n_samples,) 的 array-like，默认为 None

每个样本的权重。按样本重新缩放 C。较高的权重迫使分类器更加重视这些点。

返回值：

self对象

拟合的估计器。

注释

如果 X 和 y 不是 C 顺序且连续的 np.float64 数组，并且 X 不是 scipy.sparse.csr_matrix，则可能会复制 X 和/或 y。

如果 X 是密集数组，则其他方法将不支持稀疏矩阵作为输入。

get_metadata_routing()

获取此对象的元数据路由。

请检查 用户指南，了解路由机制的工作原理。

返回值：

routingMetadataRequest

一个 MetadataRequest 封装了路由信息。

get_params(deep=True)

获取此估计器的参数。

参数：

deepbool，默认为 True

如果为 True，则将返回此估计器和包含的作为估计器的子对象的参数。

返回值：

paramsdict

参数名称映射到其值。

property n_support_

每个类的支持向量的数量。

predict(X)

对X中的样本进行回归预测。

对于单类模型，返回+1（内点）或-1（离群点）。

参数：

X形状为(n_samples, n_features)的{数组或稀疏矩阵}

如果kernel=”precomputed”，则X的预期形状为(n_samples_test, n_samples_train)。

返回值：

y_pred形状为(n_samples,)的ndarray

预测值。

score(X, y, sample_weight=None)

返回预测结果的决定系数。

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()。最佳得分是1.0，也可能为负值（因为模型可以任意差）。一个始终预测y期望值的常数模型，忽略输入特征，其\(R^2\)得分为0.0。

参数：

X形状为(n_samples, n_features)的类数组

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)的泛型对象列表，其中n_samples_fitted是估计器拟合中使用的样本数。

y形状为(n_samples,)或(n_samples, n_outputs)的类数组

X的真实值。

sample_weight形状为 (n_samples,) 的 array-like，默认为 None

样本权重。

返回值：

score浮点数

self.predict(X)关于y的\(R^2\)。

注释

从0.23版本开始，在回归器上调用score时使用的\(R^2\)得分使用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(*, sample_weight: bool | None | str = '$UNCHANGED$') → NuSVR

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：

• 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，则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，而不对其他参数进行更改。

1.3版本中新增。

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，它无效。

参数：

sample_weightstr, True, False 或 None，默认为sklearn.utils.metadata_routing.UNCHANGED

fit方法中sample_weight参数的元数据路由。

返回值：

self对象

更新后的对象。

set_params(**params)

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：

**params**字典

估计器参数。

返回值：

self估计器实例

估计器实例。

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

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：

• True：请求元数据，如果提供则将其传递给 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，则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，而不对其他参数进行更改。

1.3版本中新增。

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，它无效。

参数：

sample_weightstr, True, False 或 None，默认为sklearn.utils.metadata_routing.UNCHANGED

score 方法中 sample_weight 参数的元数据路由。

返回值：

self对象

更新后的对象。

图库示例

模型复杂度影响

模型复杂度影响