感知器

class sklearn.linear_model.Perceptron(*, penalty=None, alpha=0.0001, l1_ratio=0.15, fit_intercept=True, max_iter=1000, tol=0.001, shuffle=True, verbose=0, eta0=1.0, n_jobs=None, random_state=0, early_stopping=False, validation_fraction=0.1, n_iter_no_change=5, class_weight=None, warm_start=False)

线性感知器分类器。

此实现是 SGDClassifier 的一个封装，通过固定 loss 和 learning_rate 参数实现。

SGDClassifier(loss="perceptron", learning_rate="constant")

其他可用参数如下所述，并转发到 SGDClassifier。

在用户指南中了解更多。

参数:

penalty{‘l2’,’l1’,’elasticnet’}，默认值=None

要使用的惩罚项（即正则化项）。

alphafloat，默认值=0.0001

如果使用正则化，则此常数将乘以正则化项。

l1_ratiofloat，默认值=0.15

弹性网络混合参数，其中 0 <= l1_ratio <= 1。l1_ratio=0 对应于 L2 惩罚，l1_ratio=1 对应于 L1。仅当 penalty='elasticnet' 时使用。

版本 0.24 新增。

fit_interceptbool，默认值=True

是否应估计截距。如果为 False，则假定数据已居中。

max_iterint，默认值=1000

训练数据的最大遍历次数（即迭代次数）。它仅影响 fit 方法的行为，而不影响 partial_fit 方法。

版本 0.19 新增。

tolfloat 或 None，默认值=1e-3

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

版本 0.19 新增。

shufflebool，默认值=True

每个 epoch 后是否应打乱训练数据。

verboseint，默认值=0

详细程度。

eta0float，默认值=1

更新所乘的常数。

n_jobsint，默认值=None

用于执行 OVA（一对多，用于多类别问题）计算的 CPU 数量。None 表示 1，除非在 joblib.parallel_backend 上下文中。-1 表示使用所有处理器。详见词汇表。

random_stateint, RandomState 实例或 None，默认值=0

当 shuffle 设置为 True 时，用于打乱训练数据。传入一个整数以使多次函数调用获得可重现的输出。详见词汇表。

early_stoppingbool，默认值=False

是否使用提前停止来终止训练，当验证分数没有改善时。如果设置为 True，它将自动留出训练数据的一个分层部分作为验证集，并在验证分数连续 n_iter_no_change 个 epoch 未至少改善 tol 时终止训练。

版本 0.20 新增。

validation_fractionfloat，默认值=0.1

用于提前停止的训练数据中作为验证集的比例。必须介于 0 和 1 之间。仅当 early_stopping 为 True 时使用。

版本 0.20 新增。

n_iter_no_changeint，默认值=5

在提前停止前，等待没有改善的迭代次数。

版本 0.20 新增。

class_weightdict, {class_label: weight} 或 “balanced”，默认值=None

class_weight 拟合参数的预设。

与类别关联的权重。如果未给出，则假定所有类别的权重均为一。

“balanced” 模式使用 y 的值，自动调整权重，使其与输入数据中的类别频率成反比，计算方式为 n_samples / (n_classes * np.bincount(y))。

warm_startbool，默认值=False

当设置为 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。详见词汇表。

属性:

classes_形状为 (n_classes,) 的 ndarray

唯一的类别标签。

coef_当 n_classes == 2 时为形状 (1, n_features) 的 ndarray，否则为 (n_classes, n_features)

分配给特征的权重。

intercept_当 n_classes == 2 时为形状 (1,) 的 ndarray，否则为 (n_classes,)

决策函数中的常数项。

n_features_in_int

在拟合期间看到的特征数量。

版本 0.24 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 的所有特征名称都是字符串时才定义。

版本 1.0 新增。

n_iter_int

达到停止准则的实际迭代次数。对于多类别拟合，它是每个二元拟合的最大值。

t_int

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

sklearn.linear_model.SGDClassifier

使用 SGD 训练的线性分类器（SVM、逻辑回归等）。

备注

Perceptron 是一种分类算法，与 SGDClassifier 共享相同的底层实现。实际上，Perceptron() 等同于 SGDClassifier(loss="perceptron", eta0=1, learning_rate="constant", penalty=None)。

参考资料

https://en.wikipedia.org/wiki/Perceptron 及其中引用的参考文献。

示例

>>> from sklearn.datasets import load_digits
>>> from sklearn.linear_model import Perceptron
>>> X, y = load_digits(return_X_y=True)
>>> clf = Perceptron(tol=1e-3, random_state=0)
>>> clf.fit(X, y)
Perceptron()
>>> clf.score(X, y)
0.939...

decision_function(X)

预测样本的置信分数。

样本的置信分数与该样本到超平面的有符号距离成比例。

参数:

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

我们想要获取置信分数的数据矩阵。

返回:

scores形状为 (n_samples,) 或 (n_samples, n_classes) 的 ndarray

每个 (n_samples, n_classes) 组合的置信分数。在二元情况下，self.classes_[1] 的置信分数，其中 >0 表示将预测此类别。

densify()

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, sample_weight=None)

使用随机梯度下降拟合线性模型。

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 ndarray

目标值。

coef_init形状为 (n_classes, n_features) 的 ndarray，默认值=None

用于热启动优化的初始系数。

intercept_init形状为 (n_classes,) 的 ndarray，默认值=None

用于热启动优化的初始截距。

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

应用于单个样本的权重。如果未提供，则假定为均匀权重。如果指定了 class_weight（通过构造函数传递），则这些权重将与 class_weight 相乘。

返回:

self对象

返回 self 的一个实例。

get_metadata_routing()

获取此对象的元数据路由。

请查阅用户指南，了解路由机制的工作原理。

返回:

routingMetadataRequest

一个封装路由信息的 MetadataRequest。

get_params(deep=True)

获取此估计器的参数。

参数:

deepbool，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:

paramsdict

参数名称映射到其值。

partial_fit(X, y, classes=None, sample_weight=None)

对给定样本执行一个 epoch 的随机梯度下降。

在内部，此方法使用 max_iter = 1。因此，不能保证在调用一次后达到成本函数的最小值。目标收敛、提前停止和学习率调整等事项应由用户处理。

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 ndarray

目标值的子集。

classes形状为 (n_classes,) 的 ndarray，默认值=None

所有对 partial_fit 的调用中的类别。可以通过 np.unique(y_all) 获取，其中 y_all 是整个数据集的目标向量。此参数在第一次调用 partial_fit 时是必需的，在后续调用中可以省略。请注意，y 不需要包含 classes 中的所有标签。

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

应用于单个样本的权重。如果未提供，则假定为均匀权重。

返回:

self对象

返回 self 的一个实例。

predict(X)

预测 X 中样本的类别标签。

参数:

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

我们想要获取预测的数据矩阵。

返回:

y_pred形状为 (n_samples,) 的 ndarray

包含每个样本类别标签的向量。

score(X, y, sample_weight=None)

返回给定数据和标签上的准确率。

在多标签分类中，这是子集准确率，这是一个严格的指标，因为它要求每个样本的每个标签集都被正确预测。

参数:

X形状为 (n_samples, n_features) 的类数组

测试样本。

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

X 的真实标签。

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

样本权重。

返回:

scorefloat

相对于 y 的 self.predict(X) 的平均准确率。

set_fit_request(*, coef_init: 布尔值 | None | 字符串 = '$UNCHANGED$', intercept_init: 布尔值 | None | 字符串 = '$UNCHANGED$', sample_weight: 布尔值 | None | 字符串 = '$UNCHANGED$') → Perceptron

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）。请查阅用户指南，了解路由机制的工作原理。

每个参数的选项是

• 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: 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。

版本 1.3 新增。

注意

此方法仅在此估计器用作元估计器的子估计器时（例如，在 Pipeline 内部使用时）才相关。否则无效。

参数:

coef_initstr, 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_initstr, 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。

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

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_params(**params)

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:

**paramsdict

估计器参数。

返回:

self估计器实例

估计器实例。

set_partial_fit_request(*, classes: 布尔值 | None | 字符串 = '$UNCHANGED$', sample_weight: 布尔值 | None | 字符串 = '$UNCHANGED$') → Perceptron

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）。请查阅用户指南，了解路由机制的工作原理。

每个参数的选项是

• 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: 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。

版本 1.3 新增。

注意

此方法仅在此估计器用作元估计器的子估计器时（例如，在 Pipeline 内部使用时）才相关。否则无效。

参数:

classesstr, True, False 或 None，默认值=sklearn.utils.metadata_routing.UNCHANGED

partial_fit 方法中 classes 参数的元数据路由。

sample_weightstr, 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: 布尔值 | None | 字符串 = '$UNCHANGED$') → Perceptron

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）。请查阅用户指南，了解路由机制的工作原理。

每个参数的选项是

• 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: 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。

版本 1.3 新增。

注意

此方法仅在此估计器用作元估计器的子估计器时（例如，在 Pipeline 内部使用时）才相关。否则无效。

参数:

sample_weightstr, 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()

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_ 成员未转换。

返回:

self

已拟合的估计器。

备注

对于非稀疏模型，即当 coef_ 中没有很多零时，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% 才能提供显著的益处。

调用此方法后，除非调用 densify，否则使用 partial_fit 方法（如果有）进一步拟合将不起作用。

图库示例

文本文档的核外分类

文本文档的核外分类