被动攻击分类器#

class sklearn.linear_model.PassiveAggressiveClassifier(*, C=1.0, fit_intercept=True, max_iter=1000, tol=0.001, early_stopping=False, validation_fraction=0.1, n_iter_no_change=5, shuffle=True, verbose=0, loss='hinge', n_jobs=None, random_state=None, warm_start=False, class_weight=None, average=False)[source]#

被动攻击分类器。

更多信息请阅读用户指南。

参数：

Cfloat, default=1.0

最大步长（正则化）。默认为 1.0。

fit_interceptbool, default=True

是否估计截距。如果为 False，则假设数据已中心化。

max_iterint, default=1000

训练数据上的最大迭代次数（又名 epochs）。它只影响 fit 方法的行为，而不影响 partial_fit 方法。

0.19 版本新增。

tolfloat or None, default=1e-3

停止标准。如果它不是 None，则当 (loss > previous_loss - tol) 时迭代将停止。

0.19 版本新增。

early_stoppingbool, default=False

是否使用提前停止，当验证分数没有改进时终止训练。如果设置为 True，它将自动将训练数据的分层部分作为验证集，并在验证分数在连续 n_iter_no_change 个 epochs 中没有提高至少 tol 时终止训练。

0.20 版本新增。

validation_fractionfloat, default=0.1

用于提前停止的验证集所占训练数据的比例。必须在 0 和 1 之间。只有在 early_stopping 为 True 时才使用。

0.20 版本新增。

n_iter_no_changeint, default=5

在提前停止之前等待没有改进的迭代次数。

0.20 版本新增。

shufflebool, default=True

每次 epoch 后是否应打乱训练数据。

verboseint, default=0

详细程度。

lossstr, default=”hinge”

使用的损失函数：hinge：等同于参考文献中的 PA-I。squared_hinge：等同于参考文献中的 PA-II。

n_jobsint or None, default=None

用于执行 OVA（一对多，用于多类问题）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。更多详情请参见词汇表。

random_stateint, RandomState instance, default=None

当 shuffle 设置为 True 时，用于打乱训练数据。传递一个整数以在多次函数调用中获得可重复的输出。参见词汇表。

warm_startbool, default=False

设置为 True 时，重用先前对 fit 的调用的解决方案作为初始化，否则，只需清除先前的解决方案。参见词汇表。

当 warm_start 为 True 时，重复调用 fit 或 partial_fit 会导致与单次调用 fit 不同的解决方案，这是由于数据被打乱的方式造成的。

class_weightdict, {class_label: weight} or “balanced” or None, default=None

class_weight拟合参数的预设值。

与类相关的权重。如果未给出，则所有类都被认为具有权重 1。

“balanced”模式使用 y 的值自动调整权重，使其与输入数据中类的频率成反比，如 n_samples / (n_classes * np.bincount(y))。

0.17 版本新增：参数 class_weight 用于自动加权样本。

averagebool or int, default=False

设置为 True 时，计算平均 SGD 权重并将结果存储在 coef_ 属性中。如果设置为大于 1 的整数，则一旦看到的样本总数达到 average，就会开始平均。因此，average=10 将在看到 10 个样本后开始平均。

0.19 版本新增：参数 average 用于在 SGD 中使用权重平均。

属性：

coef_ndarray of shape (1, n_features) if n_classes == 2 else (n_classes, n_features): 分配给特征的权重。
intercept_ndarray of shape (1,) if n_classes == 2 else (n_classes,): 决策函数中的常数。
n_features_in_int: 在拟合期间看到的特征数量。

0.24 版本新增。
feature_names_in_ndarray of shape (n_features_in_,): 在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才定义。

1.0版本新增。
n_iter_int: 达到停止条件所需的实际迭代次数。对于多类别拟合，它是每个二元拟合的最大值。
classes_ndarray of shape (n_classes,): 唯一的类别标签。
t_int: 训练过程中执行的权重更新次数。与(n_iter_ * n_samples + 1)相同。

另请参阅

SGDClassifier: 增量训练逻辑回归。
Perceptron: 线性感知器分类器。

参考文献

在线被动攻击算法 <http://jmlr.csail.mit.edu/papers/volume7/crammer06a/crammer06a.pdf> K. Crammer, O. Dekel, J. Keshat, S. Shalev-Shwartz, Y. Singer - JMLR (2006)

示例

>>> from sklearn.linear_model import PassiveAggressiveClassifier
>>> from sklearn.datasets import make_classification
>>> X, y = make_classification(n_features=4, random_state=0)
>>> clf = PassiveAggressiveClassifier(max_iter=1000, random_state=0,
... tol=1e-3)
>>> clf.fit(X, y)
PassiveAggressiveClassifier(random_state=0)
>>> print(clf.coef_)
[[0.26642044 0.45070924 0.67251877 0.64185414]]
>>> print(clf.intercept_)
[1.84127814]
>>> print(clf.predict([[0, 0, 0, 0]]))
[1]

decision_function(X)[source]#

预测样本的置信度分数。

样本的置信度分数与该样本到超平面的带符号距离成正比。

参数：

X{array-like, sparse matrix} of shape (n_samples, n_features): 我们要获取置信度分数的数据矩阵。

返回：

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

densify()[source]#

将系数矩阵转换为密集数组格式。

将coef_成员（转换回）为numpy.ndarray。这是coef_的默认格式，并且拟合需要此格式，因此仅需要对先前已稀疏化的模型调用此方法；否则，它是一个无操作。

返回：

self: 已拟合的估计器。

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

使用被动攻击算法拟合线性模型。

参数：

X{array-like, sparse matrix} of shape (n_samples, n_features): 训练数据。
yarray-like of shape (n_samples,): 目标值。
coef_initndarray of shape (n_classes, n_features): 用于预热启动优化的初始系数。
intercept_initndarray of shape (n_classes,): 用于预热启动优化的初始截距。

返回：

selfobject: 已拟合的估计器。

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MetadataRequest，封装了路由信息。

get_params(deep=True)[source]#

获取此估计器的参数。

参数：

deepbool, default=True: 如果为 True，将返回此估计器和包含的作为估计器的子对象的的参数。

返回：

paramsdict: 参数名称与其值的映射。

partial_fit(X, y, classes=None)[source]#

使用被动攻击算法拟合线性模型。

参数：

X{array-like, sparse matrix} of shape (n_samples, n_features): 训练数据子集。
yarray-like of shape (n_samples,): 目标值子集。
classesndarray of shape (n_classes,): 对所有对partial_fit的调用进行分类。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。此参数对于第一次调用partial_fit是必需的，并且可以在后续调用中省略。请注意，y不需要包含classes中的所有标签。

返回：

selfobject: 已拟合的估计器。

predict(X)[source]#

预测X中样本的类别标签。

参数：

X{array-like, sparse matrix} of shape (n_samples, n_features): 我们要获取预测结果的数据矩阵。

返回：

y_predndarray of shape (n_samples,): 包含每个样本类别标签的向量。

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

返回给定测试数据和标签的平均准确率。

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必须被正确预测。

参数：

Xarray-like of shape (n_samples, n_features): 测试样本。
yarray-like of shape (n_samples,) 或 (n_samples, n_outputs): X 的真实标签。
sample_weightarray-like of shape (n_samples,), default=None: 样本权重。

返回：

scorefloat: self.predict(X) 相对于 y 的平均准确率。

set_fit_request(*, coef_init: bool | None | str = '$UNCHANGED$', intercept_init: bool | None | str = '$UNCHANGED$') → PassiveAggressiveClassifier[source]#

请求传递给 fit 方法的元数据。

请注意，只有在 enable_metadata_routing=True 时，此方法才相关（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：

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：元数据应使用此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）保留现有的请求。这允许您更改某些参数的请求，而其他参数则保持不变。

1.3 版本中新增。

注意

仅当此估计器用作元估计器的子估计器时，此方法才相关，例如在 Pipeline 中使用。否则无效。

参数：

coef_initstr, True, False, 或 None, default=sklearn.utils.metadata_routing.UNCHANGED: fit 中 coef_init 参数的元数据路由。
intercept_initstr, True, False, 或 None, default=sklearn.utils.metadata_routing.UNCHANGED: fit 中 intercept_init 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。

此方法适用于简单的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_partial_fit_request(*, classes: bool | None | str = '$UNCHANGED$') → PassiveAggressiveClassifier[source]#

请求传递给partial_fit方法的元数据。

请注意，只有在 enable_metadata_routing=True 时，此方法才相关（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：

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：元数据应使用此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）保留现有的请求。这允许您更改某些参数的请求，而其他参数则保持不变。

1.3 版本中新增。

注意

仅当此估计器用作元估计器的子估计器时，此方法才相关，例如在 Pipeline 中使用。否则无效。

参数：

classesstr, True, False 或 None，默认为sklearn.utils.metadata_routing.UNCHANGED: partial_fit方法中classes参数的元数据路由。

返回：

selfobject: 更新后的对象。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → PassiveAggressiveClassifier[source]#

请求传递给score方法的元数据。

请注意，只有在 enable_metadata_routing=True 时，此方法才相关（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：

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：元数据应使用此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）保留现有的请求。这允许您更改某些参数的请求，而其他参数则保持不变。

1.3 版本中新增。

注意

仅当此估计器用作元估计器的子估计器时，此方法才相关，例如在 Pipeline 中使用。否则无效。

参数：

sample_weightstr, True, False 或 None，默认为sklearn.utils.metadata_routing.UNCHANGED: score方法中sample_weight参数的元数据路由。

返回：

selfobject: 更新后的对象。

sparsify()[source]#

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_成员不会被转换。

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量，因此请谨慎使用此方法。一个经验法则是，零元素的数量（可以使用(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，否则将无法使用partial_fit方法进行进一步拟合。

示例库#

文本文档的OutOfCore分类

比较各种在线求解器