PassiveAggressiveRegressor

class sklearn.linear_model.PassiveAggressiveRegressor(*, 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='epsilon_insensitive', epsilon=0.1, random_state=None, warm_start=False, average=False)

Passive Aggressive 回归器。

自 1.8 版本起已弃用： 整个 PassiveAggressiveRegressor 类已在 1.8 版本中弃用，并将在 1.10 版本中移除。请改用

reg = SGDRegressor(
    loss="epsilon_insensitive",
    penalty=None,
    learning_rate="pa1",  # or "pa2"
    eta0=1.0,  # for parameter C
)

在用户指南中了解更多信息。

参数:

Cfloat, default=1.0

被动激进算法的激进性参数，参见 [1]。对于 PA-I，它是最大步长。对于 PA-II，它对步长进行正则化（C 越小，正则化程度越高）。通常，当数据存在噪声时，C 应较小。

fit_interceptbool, default=True

是否估计截距。如果为 False，则假定数据已居中。默认为 True。

max_iterint, default=1000

训练数据的最大遍历次数（即 epoch）。它只影响 fit 方法的行为，而不影响 partial_fit 方法。

Added in version 0.19.

tolfloat or None, default=1e-3

The stopping criterion. If it is not None, the iterations will stop when (loss > previous_loss - tol).

Added in version 0.19.

early_stoppingbool, default=False

是否使用提前停止来终止训练，当验证分数没有改善时。如果设置为 True，它将自动留出一部分训练数据作为验证，并在验证分数在 n_iter_no_change 个连续 epoch 中没有至少改善 tol 时终止训练。

0.20 版本新增。

validation_fractionfloat, default=0.1

The proportion of training data to set aside as validation set for early stopping. Must be between 0 and 1. Only used if early_stopping is True.

0.20 版本新增。

n_iter_no_changeint, default=5

Number of iterations with no improvement to wait before early stopping.

0.20 版本新增。

shufflebool, default=True

Whether or not the training data should be shuffled after each epoch.

verboseint, default=0

详细程度。

lossstr, 默认值=”epsilon_insensitive”

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

epsilonfloat, default=0.1

如果当前预测与正确标签之间的差异低于此阈值，则模型不会更新。

random_stateint, RandomState instance, default=None

Used to shuffle the training data, when shuffle is set to True. Pass an int for reproducible output across multiple function calls. See Glossary.

warm_startbool, default=False

When set to True, reuse the solution of the previous call to fit as initialization, otherwise, just erase the previous solution. See the Glossary.

当 warm_start 为 True 时，重复调用 fit 或 partial_fit 可能会导致与仅调用一次 fit 不同的解决方案，因为数据被打乱的方式不同。

averagebool or int, default=False

当设置为 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，则一旦已见样本总数达到 average，就会开始平均。因此，average=10 表示在看到 10 个样本后开始平均。

在 0.19 版本中新增： 参数 average 用于在 SGD 中使用权重平均。

属性:

coef_数组，形状 = [1, n_features] 如果 n_classes == 2，否则为 [n_classes, n_features]

Weights assigned to the features.

intercept_数组，形状 = [1] 如果 n_classes == 2，否则为 [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。

0.24 版本新增。

feature_names_in_shape 为 (n_features_in_,) 的 ndarray

在 fit 期间看到的特征名称。仅当 X 具有全部为字符串的特征名称时才定义。

1.0 版本新增。

n_iter_int

The actual number of iterations to reach the stopping criterion.

t_int

Number of weight updates performed during training. Same as (n_iter_ * n_samples + 1).

另请参阅

SGDRegressor

通过使用 SGD 最小化正则化经验损失来拟合的线性模型。

References

在线被动激进算法 <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 PassiveAggressiveRegressor
>>> from sklearn.datasets import make_regression

>>> X, y = make_regression(n_features=4, random_state=0)
>>> regr = PassiveAggressiveRegressor(max_iter=100, random_state=0,
... tol=1e-3)
>>> regr.fit(X, y)
PassiveAggressiveRegressor(max_iter=100, random_state=0)
>>> print(regr.coef_)
[20.48736655 34.18818427 67.59122734 87.94731329]
>>> print(regr.intercept_)
[-0.02306214]
>>> print(regr.predict([[0, 0, 0, 0]]))
[-0.02306214]

densify()

Convert coefficient matrix to dense array format.

Converts the coef_ member (back) to a numpy.ndarray. This is the default format of coef_ and is required for fitting, so calling this method is only required on models that have previously been sparsified; otherwise, it is a no-op.

返回:

self

拟合的估计器。

fit(X, y, coef_init=None, intercept_init=None)

使用被动激进算法拟合线性模型。

参数:

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

训练数据。

y形状为 [n_samples] 的 numpy 数组

目标值。

coef_init数组，形状 = [n_features]

The initial coefficients to warm-start the optimization.

intercept_init数组，形状 = [1]

The initial intercept to warm-start the optimization.

返回:

selfobject

拟合的估计器。

get_metadata_routing()

获取此对象的元数据路由。

请查阅 用户指南，了解路由机制如何工作。

返回:

routingMetadataRequest

封装路由信息的 MetadataRequest。

get_params(deep=True)

获取此估计器的参数。

参数:

deepbool, default=True

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

返回:

paramsdict

参数名称映射到其值。

partial_fit(X, y)

使用被动激进算法拟合线性模型。

参数:

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

训练数据的子集。

y形状为 [n_samples] 的 numpy 数组

目标值的子集。

返回:

selfobject

拟合的估计器。

predict(X)

使用线性模型进行预测。

参数:

X{array-like, sparse matrix}, shape (n_samples, n_features)

Input data.

返回:

形状为 (n_samples,) 的 ndarray

X 中每个元素的预测目标值。

score(X, y, sample_weight=None)

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()。最佳可能分数为 1.0，并且可能为负（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:

Xshape 为 (n_samples, n_features) 的 array-like

测试样本。对于某些估计器，这可能是一个预先计算的核矩阵或一个通用对象列表，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。

yshape 为 (n_samples,) 或 (n_samples, n_outputs) 的 array-like

X 的真实值。

sample_weightshape 为 (n_samples,) 的 array-like, default=None

样本权重。

返回:

scorefloat

self.predict(X) 相对于 y 的 \(R^2\)。

注意事项

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的 score 方法（MultiOutputRegressor 除外）。

set_fit_request(*, coef_init: bool | None | str = '$UNCHANGED$', intercept_init: bool | None | str = '$UNCHANGED$') → PassiveAggressiveRegressor

配置是否应请求元数据以传递给 fit 方法。

请注意，此方法仅在以下情况下相关：此估计器用作 元估计器 中的子估计器，并且通过 enable_metadata_routing=True 启用了元数据路由（请参阅 sklearn.set_config）。请查看 用户指南 以了解路由机制的工作原理。

每个参数的选项如下：

• 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，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：应将元数据以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。

在版本 1.3 中新增。

参数:

coef_initstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

Metadata routing for coef_init parameter in fit.

intercept_initstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

Metadata routing for intercept_init parameter in fit.

返回:

selfobject

更新后的对象。

set_params(**params)

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（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:

**paramsdict

估计器参数。

返回:

selfestimator instance

估计器实例。

set_partial_fit_request() → PassiveAggressiveRegressor

空操作。

调用此方法无效。

返回:

selfobject

更新后的对象。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → PassiveAggressiveRegressor

配置是否应请求元数据以传递给 score 方法。

请注意，此方法仅在以下情况下相关：此估计器用作 元估计器 中的子估计器，并且通过 enable_metadata_routing=True 启用了元数据路由（请参阅 sklearn.set_config）。请查看 用户指南 以了解路由机制的工作原理。

每个参数的选项如下：

• 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，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：应将元数据以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。

在版本 1.3 中新增。

参数:

sample_weightstr, True, False, or None, default=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()

Convert coefficient matrix to sparse format.

Converts the coef_ member to a scipy.sparse matrix, which for L1-regularized models can be much more memory- and storage-efficient than the usual numpy.ndarray representation.

The intercept_ member is not converted.

警告

此方法不支持使用 array API 输入拟合的估计器（即，当 sklearn.config_context 与 array_api_dispatch=True 一起使用时）。调用可能会成功，但后续调用 predict 和其他涉及传递数组的方法可能会引发异常或返回意外结果。

返回:

self

拟合的估计器。

注意事项

For non-sparse models, i.e. when there are not many zeros in coef_, this may actually increase memory usage, so use this method with care. A rule of thumb is that the number of zero elements, which can be computed with (coef_ == 0).sum(), must be more than 50% for this to provide significant benefits.

After calling this method, further fitting with the partial_fit method (if any) will not work until you call densify.