NuSVC#

类 sklearn.svm.NuSVC(*, nu=0.5, kernel='rbf', degree=3, gamma='scale', coef0=0.0, shrinking=True, probability=False, tol=0.001, cache_size=200, class_weight=None, verbose=False, max_iter=-1, decision_function_shape='ovr', break_ties=False, random_state=None)[source]#

Nu-支持向量分类。

类似于 SVC，但使用一个参数来控制支持向量的数量。

该实现基于 libsvm。

更多信息请参阅用户指南。

参数:
nu浮点数, 默认=0.5

边距误差（见用户指南）分数的一个上限，以及支持向量分数的一个下限。应在区间 (0, 1] 内。

kernel{'linear', 'poly', 'rbf', 'sigmoid', 'precomputed'} 或可调用对象, 默认='rbf'

指定算法中使用的核类型。如果未给出，将使用“rbf”。如果给出可调用对象，则用于预计算核矩阵。有关不同核类型的直观可视化，请参阅绘制不同 SVM 核的分类边界。

degree整数, 默认=3

多项式核函数 ('poly') 的次数。必须是非负数。所有其他核都会忽略此参数。

gamma{'scale', 'auto'} 或浮点数, 默认='scale'

‘rbf’、‘poly’ 和 ‘sigmoid’ 的核系数。

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

  • 如果为“auto”，则使用 1 / n_features

  • 如果是浮点数，则必须是非负数。

0.22 版本中的变更: gamma 的默认值从 'auto' 变为 'scale'。

coef0浮点数, 默认=0.0

核函数中的独立项。仅在 ‘poly’ 和 ‘sigmoid’ 中有意义。

shrinking布尔值, 默认=True

是否使用收缩启发式算法。请参阅用户指南。

probability布尔值, 默认=False

是否启用概率估计。这必须在调用 fit 之前启用，会因为内部使用 5 折交叉验证而降低该方法的运行速度，并且 predict_proba 可能与 predict 不一致。更多信息请参阅用户指南。

tol浮点数, 默认=1e-3

停止准则的容差。

cache_size浮点数, 默认=200

指定核缓存的大小（以 MB 为单位）。

class_weight{字典, 'balanced'}, 默认=None

为 SVC 将类别 i 的参数 C 设置为 class_weight[i]*C。如果未给出，则所有类别都假定权重为一。“balanced”模式使用 y 的值自动调整权重，使其与类别频率成反比，计算方式为 n_samples / (n_classes * np.bincount(y))。

verbose布尔值, 默认=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，在多线程环境中可能无法正常工作。

max_iter整数, 默认=-1

求解器内部迭代的硬性限制，-1 表示无限制。

decision_function_shape{'ovo', 'ovr'}, 默认='ovr'

是否返回形状为 (n_samples, n_classes) 的一对多 (‘ovr’) 决策函数（与其他所有分类器一样），或者 libsvm 的原始一对一 (‘ovo’) 决策函数，其形状为 (n_samples, n_classes * (n_classes - 1) / 2)。然而，一对一 (‘ovo’) 始终用作多类别策略。二分类会忽略此参数。

0.19 版本中的变更: decision_function_shape 默认为 'ovr'。

0.17 版本新增: 建议使用decision_function_shape='ovr'。

0.17 版本中的变更: decision_function_shape='ovo' 和 None 已弃用。

break_ties布尔值, 默认=False

如果为 true，且 decision_function_shape='ovr'，且类别数量 > 2，predict 将根据 decision_function 的置信度值来打破平局；否则返回平局类别中的第一个类别。请注意，与简单的预测相比，打破平局的计算成本相对较高。有关其与 decision_function_shape='ovr' 用法的示例，请参阅SVM 平局处理示例。

0.22 版本新增。

random_state整数, RandomState 实例 或 None, 默认=None

控制用于概率估计的数据洗牌的伪随机数生成。当 probability 为 False 时忽略。传入一个整数可使多次函数调用产生可重现的输出。请参阅术语表。

属性:
class_weight_形状为 (n_classes,) 的 ndarray

每个类别的参数 C 的乘数。根据 class_weight 参数计算。

classes_形状为 (n_classes,) 的 ndarray

唯一的类别标签。

coef_形状为 (n_classes * (n_classes -1) / 2, n_features) 的 ndarray

当 kernel="linear" 时分配给特征的权重。

dual_coef_形状为 (n_classes - 1, n_SV) 的 ndarray

决策函数中支持向量的对偶系数（参见数学公式），乘以它们的目标值。对于多类别，所有 1 对 1 分类器的系数。多类别情况下系数的布局有些不寻常。详情请参阅用户指南的多类别部分。

fit_status_整数

如果正确拟合，为 0；如果算法未收敛，为 1。

intercept_形状为 (n_classes * (n_classes - 1) / 2,) 的 ndarray

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 的所有特征名称都是字符串时才定义。

1.0 版本新增。

n_iter_形状为 (n_classes * (n_classes - 1) // 2,) 的 ndarray

优化例程拟合模型所运行的迭代次数。此属性的形状取决于优化的模型数量，而模型数量又取决于类别数量。

1.1 版本新增。

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。

n_support_形状为 (n_classes,)，dtype=int32 的 ndarray

每个类别的支持向量数量。

fit_status_整数

如果正确拟合，为 0；如果算法未收敛，为 1。

probA_形状为 (n_classes * (n_classes - 1) / 2,) 的 ndarray

当 probability=True 时，Platt 定标中学习的参数。

probB_形状为 (n_classes * (n_classes - 1) / 2,) 的 ndarray

当 probability=True 时，Platt 定标中学习的参数。

shape_fit_形状为 (n_dimensions_of_X,) 的整数元组

训练向量 X 的数组维度。

另请参阅

SVC

使用 libsvm 进行分类的支持向量机。

LinearSVC

使用 liblinear 进行分类的可扩展线性支持向量机。

参考文献

示例

>>> import numpy as np
>>> X = np.array([[-1, -1], [-2, -1], [1, 1], [2, 1]])
>>> y = np.array([1, 1, 2, 2])
>>> from sklearn.pipeline import make_pipeline
>>> from sklearn.preprocessing import StandardScaler
>>> from sklearn.svm import NuSVC
>>> clf = make_pipeline(StandardScaler(), NuSVC())
>>> clf.fit(X, y)
Pipeline(steps=[('standardscaler', StandardScaler()), ('nusvc', NuSVC())])
>>> print(clf.predict([[-0.8, -1]]))
[1]
decision_function(X)[source]#

评估 X 中样本的决策函数。

参数:
X形状为 (n_samples, n_features) 的类数组对象

输入样本。

返回:
X形状为 (n_samples, n_classes * (n_classes-1) / 2) 的 ndarray

返回模型中每个类别的样本决策函数。如果 decision_function_shape='ovr'，则形状为 (n_samples, n_classes)。

注意

如果 decision_function_shape='ovo'，则函数值与样本 X 到分隔超平面的距离成比例。如果需要精确距离，请将函数值除以权重向量 (coef_) 的范数。更多详情请参阅此问题。如果 decision_function_shape='ovr'，则决策函数是 ovo 决策函数的单调变换。

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 {类数组对象, 稀疏矩阵}

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

y形状为 (n_samples,) 的类数组对象

目标值（分类中的类别标签，回归中的实数）。

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

每个样本的权重。按样本重新缩放 C。更高的权重会迫使分类器更强调这些点。

返回:
self对象

拟合后的估计器。

注意

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

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()[source]#

获取此对象的元数据路由。

请查看用户指南以了解路由机制的工作原理。

返回:
routingMetadataRequest

一个封装路由信息的MetadataRequest对象。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:
deep布尔值, 默认=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。

predict(X)[source]#

对 X 中的样本执行分类。

对于一类模型，返回 +1 或 -1。

参数:
X形状为 (n_samples, n_features) 或 (n_samples_test, n_samples_train) 的 {类数组对象, 稀疏矩阵}

对于 kernel="precomputed"，X 的预期形状是 (n_samples_test, n_samples_train)。

返回:
y_pred形状为 (n_samples,) 的 ndarray

X 中样本的类别标签。

predict_log_proba(X)[source]#

计算 X 中样本可能结果的对数概率。

模型需要在训练时计算概率信息：使用属性 probability 设置为 True 进行拟合。

参数:
X形状为 (n_samples, n_features) 或 (n_samples_test, n_samples_train) 的类数组对象

对于 kernel="precomputed"，X 的预期形状是 (n_samples_test, n_samples_train)。

返回:
T形状为 (n_samples, n_classes) 的 ndarray

返回模型中每个类别的样本对数概率。列对应于按排序顺序排列的类别，与属性 classes_ 中出现的顺序一致。

注意

概率模型是使用交叉验证创建的，因此结果可能与通过 predict 获得的结果略有不同。此外，它在非常小的数据集上会产生无意义的结果。

predict_proba(X)[source]#

计算 X 中样本可能结果的概率。

模型需要在训练时计算概率信息：使用属性 probability 设置为 True 进行拟合。

参数:
X形状为 (n_samples, n_features) 的类数组对象

对于 kernel="precomputed"，X 的预期形状是 (n_samples_test, n_samples_train)。

返回:
T形状为 (n_samples, n_classes) 的 ndarray

返回模型中每个类别的样本概率。列对应于按排序顺序排列的类别，与属性 classes_ 中出现的顺序一致。

注意

概率模型是使用交叉验证创建的，因此结果可能与通过 predict 获得的结果略有不同。此外，它在非常小的数据集上会产生无意义的结果。

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

返回给定数据和标签的准确率。

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) 的类数组对象

测试样本。

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

X 的真实标签。

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

样本权重。

返回:
score浮点数

self.predict(X) 相对于 y 的平均准确率。

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → NuSVC[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（参阅 sklearn.set_config）。请参阅用户指南以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，则忽略该请求。

  • False: 不请求元数据，并且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更改其他参数。

1.3 版本新增。

注意

此方法仅在将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。否则，它没有效果。

参数:
sample_weight字符串, True, False 或 None, 默认=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)[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_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → NuSVC[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（参阅 sklearn.set_config）。请参阅用户指南以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，则忽略该请求。

  • False: 不请求元数据，并且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更改其他参数。

1.3 版本新增。

注意

此方法仅在将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。否则，它没有效果。

参数:
sample_weight字符串, True, False 或 None, 默认=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。