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]#

Epsilon-支持向量回归。

模型中的自由参数是C和epsilon。

该实现基于libsvm。拟合时间复杂度与样本数量呈二次以上关系，这使得其难以扩展到包含数万个样本的数据集。对于大型数据集，可以考虑使用LinearSVR或SGDRegressor，可能在应用Nystroem变换器或其他核近似之后。

在用户指南中阅读更多信息。

参数:
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。如果未给定，将使用'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)

degreeint, 默认=3

多项式核函数（'poly'）的次数。必须是非负数。被所有其他核忽略。

gamma{‘scale’, ‘auto’} 或 float, 默认=’scale’

用于'rbf'、'poly'和'sigmoid'的核系数。

  • 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

  • 如果为浮点数，则必须是非负数。

0.22 版本中更改: gamma 的默认值从 'auto' 更改为 'scale'。

coef0float, 默认=0.0

核函数中的独立项。仅在'poly'和'sigmoid'中有效。

tolfloat, 默认=1e-3

停止准则的容差。

Cfloat, 默认=1.0

正则化参数。正则化强度与 C 成反比。必须严格为正。惩罚项是平方L2范数。要直观地了解正则化参数 C 的缩放效果，请参见SVCs 的正则化参数缩放。

epsilonfloat, 默认=0.1

epsilon-SVR模型中的epsilon。它指定了epsilon-tube，在该范围内，训练损失函数中，预测点与实际值距离小于epsilon的点不产生惩罚。必须是非负数。

shrinkingbool, 默认=True

是否使用收缩启发式。请参见用户指南。

cache_sizefloat, 默认=200

指定核缓存的大小（以 MB 为单位）。

verbosebool, 默认=False

启用详细输出。请注意，此设置利用了libsvm中按进程运行时设置的优势，如果启用，在多线程环境中可能无法正常工作。

max_iterint, 默认=-1

求解器内部迭代的硬限制，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，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_int

拟合期间观察到的特征数量。

在 0.24 版本中新增。

feature_names_in_形状为 (n_features_in_,) 的 ndarray

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定义。

在 1.0 版本中新增。

n_iter_int

优化例程拟合模型所运行的迭代次数。

在 1.1 版本中新增。

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

每个类别的支持向量数量。

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

使用libsvm实现的支持向量机回归，使用参数控制支持向量的数量。

LinearSVR

使用liblinear实现的可伸缩线性支持向量机回归。

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))])
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 array-like, 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 array-like

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 array-like, 默认=None

每个样本的权重。按样本重新缩放 C。更高的权重会强制分类器更重视这些点。

返回:
selfobject

拟合后的估计器。

注意

如果 X 和 y 不是 C 顺序的连续 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)[source]#

获取此估计器的参数。

参数:
deepbool, 默认=True

如果为 True，将返回此估计器及其包含的子对象（如果它们是估计器）的参数。

返回:
paramsdict

参数名称映射到其值。

predict(X)[source]#

对 X 中的样本执行回归。

对于一类模型，返回 +1（内点）或 -1（异常点）。

参数:
X形状为 (n_samples, n_features) 的 array-like, 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

预测值。

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

返回测试数据的决定系数。

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()。最佳得分是 1.0，它也可以是负数（因为模型可能任意差）。一个总是预测 y 期望值而不考虑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 array-like

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一个通用对象的列表，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 array-like

X 的真实值。

sample_weight形状为 (n_samples,) 的 array-like, 默认=None

样本权重。

返回:
scorefloat

self.predict(X) 相对于 y 的 \(R^2\)。

注意

从 0.23 版本开始，当在回归器上调用 score 时，\(R^2\) 得分使用 multioutput='uniform_average' 以与 r2_score 的默认值保持一致。这影响了所有多输出回归器（除了 MultiOutputRegressor）的 score 方法。

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，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，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，则元估计器将引发错误。

  • str：元数据应以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更改其他参数。

在 1.3 版本中新增。

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 中使用时。否则它没有效果。

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

fit 中 sample_weight 参数的元数据路由。

返回:
selfobject

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:
**paramsdict

估计器参数。

返回:
selfestimator instance

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，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，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，则元估计器将引发错误。

  • str：元数据应以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更改其他参数。

在 1.3 版本中新增。

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 中使用时。否则它没有效果。

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

score 中 sample_weight 参数的元数据路由。

返回:
selfobject

更新后的对象。