PassiveAggressiveRegressor#

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。

在用户指南中阅读更多。

参数:

C浮点数，默认值=1.0

最大步长（正则化）。默认值为 1.0。

fit_intercept布尔值，默认值=True

是否应估计截距。如果为 False，则假定数据已中心化。默认值为 True。

max_iter整数，默认值=1000

训练数据的最大遍历次数（即 epoch 数）。它仅影响 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，默认值=1e-3

停止准则。如果不是 None，当（损失 > previous_loss - tol）时，迭代将停止。

0.19 版本新增。

early_stopping布尔值，默认值=False

是否使用早期停止来在验证分数没有提高时终止训练。如果设置为 True，它将自动留出部分训练数据作为验证集，并在验证分数在 n_iter_no_change 个连续 epoch 中未至少提高 tol 时终止训练。

0.20 版本新增。

validation_fraction浮点数，默认值=0.1

留作早期停止验证集的训练数据比例。必须在 0 和 1 之间。仅在 early_stopping 为 True 时使用。

0.20 版本新增。

n_iter_no_change整数，默认值=5

在早期停止之前，等待没有改进的迭代次数。

0.20 版本新增。

shuffle布尔值，默认值=True

每个 epoch 后是否应打乱训练数据。

verbose整数，默认值=0

详细程度。

loss字符串，默认值=”epsilon_insensitive”

要使用的损失函数：epsilon_insensitive：等同于参考论文中的 PA-I。squared_epsilon_insensitive：等同于参考论文中的 PA-II。

epsilon浮点数，默认值=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，默认值=None

当 shuffle 设置为 True 时，用于打乱训练数据。传入一个整数可在多次函数调用中获得可重现的输出。参见词汇表。

warm_start布尔值，默认值=False

设置为 True 时，重用上次调用 fit 的解决方案作为初始化；否则，擦除之前的解决方案。参见词汇表。

当 warm_start 为 True 时，重复调用 fit 或 partial_fit 可能导致与单次调用 fit 不同的解决方案，因为数据打乱的方式不同。

average布尔值或整数，默认值=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，则当已见的样本总数达到平均值时开始平均。因此 average=10 意味着在看到 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 = [1, n_features] (如果 n_classes == 2) 否则 [n_classes, n_features]: 分配给特征的权重。
intercept_数组，形状 = [1] (如果 n_classes == 2) 否则 [n_classes]: 决策函数中的常数。
n_features_in_整数: 在 fit 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 fit 期间看到的特征名称。仅当 X 的所有特征名称均为字符串时才定义。

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。

另请参阅

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，并且是拟合所必需的，因此仅在先前已稀疏化的模型上才需要调用此方法；否则，它是一个空操作。

返回:

self: 已拟合的估计器。

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{类数组, 稀疏矩阵}，形状为 (n_samples, n_features): 训练数据。
ynumpy 数组，形状为 [n_samples]: 目标值。
coef_init数组，形状 = [n_features]: 用于热启动优化的初始系数。
intercept_init数组，形状 = [1]: 用于热启动优化的初始截距。

返回:

self对象: 已拟合的估计器。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查阅用户指南以了解路由机制的工作原理。

返回:

routingMetadataRequest: 一个封装了路由信息的 MetadataRequest。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:

deep布尔值，默认值=True: 如果为 True，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:

params字典: 参数名称映射到其值。

partial_fit(X, y)[source]#

使用被动攻击算法拟合线性模型。

参数:

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

返回:

self对象: 已拟合的估计器。

predict(X)[source]#

使用线性模型进行预测。

参数:

X{类数组, 稀疏矩阵}，形状 (n_samples, n_features): 输入数据。

返回:

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

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

返回测试数据上的决定系数。

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()。最好的分数是 1.0，它也可以是负数（因为模型可能任意地差）。一个始终预测 y 期望值而不考虑输入特征的常数模型，其 $R^2$ 分数将为 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，或者是通用对象的列表，其形状为 (n_samples, n_samples_fitted)，其中 n_samples_fitted 是用于估计器拟合的样本数量。
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,) 的类数组，默认值=None: 样本权重。

返回:

score浮点数: $R^2$，表示 self.predict(X) 相对于 y 的分数。

注意

在回归器上调用 score 时使用的 $R^2$ 分数从 0.23 版本开始使用 multioutput='uniform_average'，以与 r2_score 的默认值保持一致。这会影响所有多输出回归器（MultiOutputRegressor 除外）的 score 方法。

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，此方法仅在 enable_metadata_routing=True 时才相关（参见 sklearn.set_config）。请参阅用户指南，了解路由机制的工作原理。

每个参数的选项有

True：请求元数据，如果提供则传递给 fit。如果未提供元数据，则忽略该请求。
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：应使用此给定别名而非原始名称将元数据传递给元估计器。

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，而不更改其他参数。

1.3 版本新增。

注意

此方法仅当此估计器用作元估计器的子估计器时才相关，例如在 Pipeline 内部使用时。否则，它没有效果。

参数:

coef_init字符串、True、False 或 None，默认值=sklearn.utils.metadata_routing.UNCHANGED: fit 方法中 coef_init 参数的元数据路由。
intercept_init字符串、True、False 或 None，默认值=sklearn.utils.metadata_routing.UNCHANGED: fit 方法中 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。

此方法适用于简单估计器以及嵌套对象（例如 Pipeline）。后者具有 <component>__<parameter> 形式的参数，以便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:

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，此方法仅在 enable_metadata_routing=True 时才相关（参见 sklearn.set_config）。请参阅用户指南，了解路由机制的工作原理。

每个参数的选项有

True：请求元数据，如果提供则传递给 partial_fit。如果未提供元数据，则忽略该请求。
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：应使用此给定别名而非原始名称将元数据传递给元估计器。

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，而不更改其他参数。

1.3 版本新增。

注意

此方法仅当此估计器用作元估计器的子估计器时才相关，例如在 Pipeline 内部使用时。否则，它没有效果。

参数:

sample_weight字符串、True、False 或 None，默认值=sklearn.utils.metadata_routing.UNCHANGED: 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，此方法仅在 enable_metadata_routing=True 时才相关（参见 sklearn.set_config）。请参阅用户指南，了解路由机制的工作原理。

每个参数的选项有

True：请求元数据，如果提供则传递给 score。如果未提供元数据，则忽略该请求。
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：应使用此给定别名而非原始名称将元数据传递给元估计器。

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，而不更改其他参数。

1.3 版本新增。

注意

此方法仅当此估计器用作元估计器的子估计器时才相关，例如在 Pipeline 内部使用时。否则，它没有效果。

参数:

sample_weight字符串、True、False 或 None，默认值=sklearn.utils.metadata_routing.UNCHANGED: 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，这对于 L1 正则化模型来说，比通常的 numpy.ndarray 表示法更节省内存和存储空间。

不转换 intercept_ 成员。

返回:

self: 已拟合的估计器。

注意

对于非稀疏模型，即当 coef_ 中没有太多零时，这实际上可能会增加内存使用，因此请谨慎使用此方法。经验法则是，零元素的数量（可以通过 (coef_ == 0).sum() 计算）必须超过 50% 才能带来显著的好处。

调用此方法后，除非您调用 densify，否则使用 partial_fit 方法进行的进一步拟合（如果有）将不起作用。

PassiveAggressiveRegressor#

本页