SVR#

class sklearn.svm.SVR(*, kernel='rbf', degree=3, gamma='scale', coef0=0.0, tol=0.001, C=1.0, epsilon=0.1, shrinking=True, cache_size=200, verbose=False, max_iter=-1)[source]#

ε-支持向量回归。

模型中的自由参数是C和ε。

该实现基于libsvm。拟合时间复杂度随样本数量的增加而超过二次方，这使得它难以扩展到超过几万个样本的数据集。对于大型数据集，建议使用LinearSVR或SGDRegressor，可能需要先进行Nystroem变换或其他核近似。

更多信息请参考用户指南。

参数：
kernel{‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’} 或可调用对象，默认为’rbf’

指定算法中使用的核类型。如果没有给出，将使用’rbf’。如果给定一个可调用对象，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。其他所有核函数都忽略此参数。

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

  • 如果为浮点数，则必须是非负数。

0.22 版本中的更改： 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。

tolfloat，默认为1e-3

停止准则的容差。

Cfloat，默认为1.0

正则化参数。正则化的强度与 C 成反比。必须严格为正数。惩罚项为平方 l2。有关缩放正则化参数 C 的影响的直观可视化，请参见缩放 SVC 的正则化参数。

epsilonfloat，默认为0.1

ε-SVR 模型中的 ε。它指定了 ε-管道，在训练损失函数中，预测值与实际值之间的距离在 ε 之内的点没有关联惩罚。必须是非负数。

shrinkingbool，默认为True

是否使用收缩启发式算法。参见用户指南。

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，则可能无法在多线程上下文中正常工作。

max_iterint，默认为-1

求解器中迭代次数的硬限制，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 版本中添加。

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 的特征名称全部为字符串时才定义。

1.0 版本中添加。

n_iter_int

优化例程拟合模型所运行的迭代次数。

1.1 版本中添加。

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。

另请参阅

NuSVR (Nu 支持向量回归器)

使用libsvm实现的回归支持向量机，使用参数控制支持向量的数量。

LinearSVR (线性支持向量回归器)

使用liblinear实现的可扩展线性回归支持向量机。

参考文献

示例

>>> from sklearn.svm import SVR
>>> from sklearn.pipeline import make_pipeline
>>> from sklearn.preprocessing import StandardScaler
>>> import numpy as np
>>> n_samples, n_features = 10, 5
>>> rng = np.random.RandomState(0)
>>> y = rng.randn(n_samples)
>>> X = rng.randn(n_samples, n_features)
>>> regr = make_pipeline(StandardScaler(), SVR(C=1.0, epsilon=0.2))
>>> regr.fit(X, y)
Pipeline(steps=[('standardscaler', StandardScaler()),
                ('svr', SVR(epsilon=0.2))])
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)[source]#

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{类数组、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,) 的类数组

目标值（分类中的类别标签，回归中的实数）。

sample_weight形状为 (n_samples,) 的类数组，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

已拟合的估计器。

备注

如果X和y不是C排序且连续的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，则其他方法不支持稀疏矩阵作为输入。

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。

返回值：
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，默认为True

如果为True，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

参数名称与其值的映射。

property n_support_#

每个类的支持向量的数量。

predict(X)[source]#

对X中的样本执行回归。

对于单类模型，返回 +1（内点）或 -1（外点）。

参数：
X形状为 (n_samples, n_features) 的{类数组、稀疏矩阵}

对于kernel=”precomputed”，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)[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()，\(v\)是总平方和((y_true - y_true.mean()) ** 2).sum()。最佳分数为1.0，它可以为负数（因为模型可以任意差）。一个总是预测y的期望值的常数模型，忽略输入特征，将获得\(R^2\)分数为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，这可能是一个预计算的核矩阵，或者形状为(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 的真值。

sample_weight形状为 (n_samples,) 的类数组，默认为None

样本权重。

返回值：
score浮点数

\(R^2\) of self.predict(X) 关于 y。

备注

从 0.23 版本开始，在回归器上调用 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(*, sample_weight: bool | None | str = '$UNCHANGED$') → SVR[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）保留现有请求。这允许您更改某些参数的请求，而不会更改其他参数。

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 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)[source]#

设置此估计器的参数。

此方法适用于简单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 = '$UNCHANGED$') → SVR[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）保留现有请求。这允许您更改某些参数的请求，而不会更改其他参数。

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 中 sample_weight 参数的元数据路由。

返回值：
self对象

更新后的对象。