l1_min_c#

sklearn.svm.l1_min_c(X, y, *, loss='squared_hinge', fit_intercept=True, intercept_scaling=1.0)[源代码]#

返回 C 的最低界限。

计算 C 的下界，使得当 C 在 (l1_min_C, infinity) 范围内时，模型保证非空。这适用于 L1 正则化的分类器，例如 sklearn.svm.LinearSVC（设置 penalty='l1'）和 sklearn.linear_model.LogisticRegression（设置 l1_ratio=1）。

如果 fit() 方法中的 class_weight 参数未设置，则此值有效。

有关如何使用此功能的示例，请参阅 L1 逻辑回归的正则化路径。

参数:
Xshape 为 (n_samples, n_features) 的 {array-like, sparse matrix}

训练向量，其中 n_samples 是样本数，n_features 是特征数。

yarray-like of shape (n_samples,)

相对于 X 的目标向量。

loss{‘squared_hinge’, ‘log’}, 默认值为 ‘squared_hinge’

指定损失函数。对于 ‘squared_hinge’，它是平方合页损失（也称为 L2 损失）。对于 ‘log’，它是逻辑回归模型的损失。

fit_interceptbool, default=True

指定是否由模型拟合截距。它必须与 fit() 方法的参数匹配。

intercept_scalingfloat, 默认值为 1.0

当 fit_intercept 为 True 时，实例向量 x 变为 [x, intercept_scaling]，即一个常数值等于 intercept_scaling 的“合成”特征被附加到实例向量。它必须与 fit() 方法的参数匹配。

返回:
l1_min_cfloat

C 的最小值。

示例

>>> from sklearn.svm import l1_min_c
>>> from sklearn.datasets import make_classification
>>> X, y = make_classification(n_samples=100, n_features=20, random_state=42)
>>> print(f"{l1_min_c(X, y, loss='squared_hinge', fit_intercept=True):.4f}")
0.0044