NuSVR#

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)[source]#

Nu 支持向量回归。

与 NuSVC 类似，NuSVR 用于回归，使用参数 nu 来控制支持向量的数量。然而，与 NuSVC 中 nu 替代 C 不同，这里 nu 替代了 epsilon-SVR 中的参数 epsilon。

此实现基于 libsvm。

在用户指南中了解更多信息。

参数：
nu浮点型, 默认值=0.5

训练误差分数和支持向量分数的一个上限和下限。应在区间(0, 1]内。默认取值为0.5。

C浮点型, 默认值=1.0

误差项的惩罚参数 C。有关正则化参数 C 缩放效果的直观可视化，请参见SVCs 的正则化参数缩放。

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

指定算法中使用的核类型。如果未给定，则使用'rbf'。如果给定可调用对象，则用于预计算核矩阵。有关不同核类型的直观可视化，请参见使用线性和非线性核的支持向量回归 (SVR)

degree整型, 默认值=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 浮点型, 默认值=’scale’

‘rbf’、‘poly’ 和 ‘sigmoid’ 核的系数。

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

  • 如果为 ‘auto’，则使用 1 / n_features

  • 如果为浮点型，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浮点型, 默认值=0.0

核函数中的独立项。仅在 ‘poly’ 和 ‘sigmoid’ 中有意义。

shrinking布尔型, 默认值=True

是否使用收缩启发式算法。参见用户指南。

tol浮点型, 默认值=1e-3

停止准则的容差。

cache_size浮点型, 默认值=200

指定核缓存的大小（单位：MB）。

verbose布尔型, 默认值=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整型, 默认值=-1

求解器内部迭代的硬性限制，-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_整型

如果拟合正确则为 0，否则为 1（将引发警告）

intercept_形状为 (1,) 的 ndarray

决策函数中的常数项。

n_features_in_整型

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_整型

优化例程拟合模型所运行的迭代次数。

1.1 版本新增。

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

每个类的支持向量数量。

shape_fit_形状为 (n_dimensions_of_X,) 的整型元组

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

NuSVC

使用 libsvm 实现的支持向量机分类器，带有一个控制支持向量数量的参数。

SVR

使用 libsvm 实现的 epsilon 支持向量机回归器。

参考文献

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

根据给定的训练数据拟合 SVM 模型。

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

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, 默认值=None

每个样本的权重。按样本重新缩放 C。较高的权重会使分类器更加重视这些点。

返回：
self对象

已拟合的估计器。

备注

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。

请查阅用户指南，了解路由机制的工作原理。

返回：
routingMetadataRequest

封装路由信息的 MetadataRequest。

get_params(deep=True)[source]#

获取此估计器的参数。

参数：
deep布尔型, 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。

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（异常点）。

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

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

返回：
y_pred形状为 (n_samples,) 的 ndarray

预测值。

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()。最佳可能分数为 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 预期值而忽略输入特征的常数模型将获得 0.0 的 \(R^2\) 分数。

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，或者是一个通用对象列表，其形状为 (n_samples, n_samples_fitted)，其中 n_samples_fitted 是估计器拟合中使用的样本数量。

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浮点型

self.predict(X) 相对于 y 的 \(R^2\) 分数。

备注

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（除了 MultiOutputRegressor）的 score 方法。

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → NuSVR[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，则忽略该请求。

  • False: 不请求元数据，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非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

此方法仅在当前估计器作为元估计器的子估计器（例如在 Pipeline 内部使用）时才相关。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

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（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 = '$UNCHANGED$') → NuSVR[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，则忽略该请求。

  • False: 不请求元数据，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非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

此方法仅在当前估计器作为元估计器的子估计器（例如在 Pipeline 内部使用）时才相关。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。