感知器#

class sklearn.linear_model.Perceptron(*, penalty=None, alpha=0.0001, l1_ratio=0.15, fit_intercept=True, max_iter=1000, tol=0.001, shuffle=True, verbose=0, eta0=1.0, n_jobs=None, random_state=0, early_stopping=False, validation_fraction=0.1, n_iter_no_change=5, class_weight=None, warm_start=False)[source]#

线性感知器分类器。

该实现是对SGDClassifier的封装，通过将loss和learning_rate参数固定来实现。

SGDClassifier(loss="perceptron", learning_rate="constant")

其他可用参数如下所述，并将转发到SGDClassifier。

更多信息请阅读用户指南。

参数：
penalty{‘l2’,’l1’,’elasticnet’}, default=None

使用的惩罚项（又称正则化项）。

alphafloat, default=0.0001

如果使用正则化，则乘以正则化项的常数。

l1_ratiofloat, default=0.15

弹性网络混合参数，其中0 <= l1_ratio <= 1。l1_ratio=0对应于L2惩罚，l1_ratio=1对应于L1。仅当penalty='elasticnet'时使用。

版本0.24中添加。

fit_interceptbool, default=True

是否应该估计截距。如果为False，则假设数据已经中心化。

max_iterint, default=1000

对训练数据进行的最大迭代次数（又称 epochs）。它只影响fit方法的行为，而不影响partial_fit方法。

版本0.19中添加。

tolfloat 或 None, default=1e-3

停止标准。如果它不是None，则迭代将在(loss > previous_loss - tol)时停止。

版本0.19中添加。

shufflebool, default=True

每次迭代后是否应打乱训练数据。

verboseint, default=0

详细程度。

eta0float, default=1

更新乘以的常数。

n_jobsint, default=None

用于执行OVA（一对多，用于多分类问题）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 实例或 None, default=0

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。

early_stoppingbool, default=False

是否使用提前停止，当验证分数没有提高时终止训练。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n_iter_no_change个连续的epoch中没有提高至少tol时终止训练。

版本0.20中添加。

validation_fractionfloat, default=0.1

作为提前停止的验证集而保留的训练数据比例。必须在0到1之间。仅当early_stopping为True时使用。

版本0.20中添加。

n_iter_no_changeint, default=5

在提前停止之前等待没有改进的迭代次数。

版本0.20中添加。

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

类权重拟合参数的预设。

与类相关的权重。如果没有给出，则所有类的权重都应为1。

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

warm_startbool, default=False

设置为True时，重用先前对拟合的调用的解决方案作为初始化，否则，只需擦除先前的解决方案。参见词汇表。

属性：
classes_ndarray of shape (n_classes,)

唯一的类别标签。

coef_ndarray 形状为 (1, n_features) 如果 n_classes == 2，否则为 (n_classes, n_features)

分配给特征的权重。

intercept_ndarray 形状为 (1,) 如果 n_classes == 2，否则为 (n_classes,)

决策函数中的常数。

n_features_in_int

在 拟合过程中看到的特征数量。

版本0.24中添加。

feature_names_in_ndarray 形状为 (n_features_in_,)

在 拟合过程中看到的特征名称。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。

t_int

训练期间执行的权重更新次数。与 (n_iter_ * n_samples + 1) 相同。

另请参见

sklearn.linear_model.SGDClassifier

使用 SGD 训练的线性分类器（SVM、逻辑回归等）。

备注

Perceptron 是一种分类算法，它与 SGDClassifier 具有相同的底层实现。事实上，Perceptron() 等效于 SGDClassifier(loss="perceptron", eta0=1, learning_rate="constant", penalty=None)。

参考文献

https://en.wikipedia.org/wiki/Perceptron 及其参考文献。

示例

>>> from sklearn.datasets import load_digits
>>> from sklearn.linear_model import Perceptron
>>> X, y = load_digits(return_X_y=True)
>>> clf = Perceptron(tol=1e-3, random_state=0)
>>> clf.fit(X, y)
Perceptron()
>>> clf.score(X, y)
0.939...
decision_function(X)[source]#

预测样本的置信度得分。

样本的置信度得分与其到超平面的带符号距离成正比。

参数：
X形状为 (n_samples, n_features) 的 {array-like, sparse matrix}

我们要获取置信度得分的数矩阵。

返回:
scores形状为 (n_samples,) 或 (n_samples, n_classes) 的 ndarray

每个 (n_samples, n_classes) 组合的置信度得分。在二元情况下，self.classes_[1] 的置信度得分，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（返回）转换为 numpy.ndarray。这是 coef_ 的默认格式，并且是拟合所必需的，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, sample_weight=None)[source]#

使用随机梯度下降拟合线性模型。

参数：
X形状为 (n_samples, n_features) 的 {array-like, sparse matrix}

训练数据。

y形状为 (n_samples,) 的 ndarray

目标值。

coef_init形状为 (n_classes, n_features) 的 ndarray，默认为 None

用于预热启动优化的初始系数。

intercept_init形状为 (n_classes,) 的 ndarray，默认为 None

用于预热启动优化的初始截距。

sample_weightarray-like，形状为 (n_samples,)，默认为 None

应用于各个样本的权重。如果未提供，则假定为均匀权重。如果指定了 class_weight，则这些权重将与 class_weight（通过构造函数传递）相乘。

返回:
self对象

返回 self 的实例。

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，默认为 True

如果为 True，则将返回此估计器和包含的作为估计器的子对象的参数。

返回:
paramsdict

参数名称映射到其值。

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

对给定样本执行一次随机梯度下降。

内部地，此方法使用 max_iter = 1。因此，不能保证调用一次后就能达到成本函数的最小值。诸如目标收敛、提前停止和学习率调整等问题应由用户处理。

参数：
X形状为 (n_samples, n_features) 的 {array-like, sparse matrix}

训练数据的子集。

y形状为 (n_samples,) 的 ndarray

目标值的子集。

classes形状为 (n_classes,) 的ndarray，默认值为 None

所有对 partial_fit 的调用的类别。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，在随后的调用中可以省略。请注意，y 不需要包含 classes 中的所有标签。

sample_weightarray-like，形状为 (n_samples,)，默认为 None

应用于各个样本的权重。如果未提供，则假定为均匀权重。

返回:
self对象

返回 self 的实例。

predict(X)[source]#

预测 X 中样本的类别标签。

参数：
X形状为 (n_samples, n_features) 的 {array-like, sparse matrix}

我们要获取预测结果的数据矩阵。

返回:
y_pred形状为 (n_samples,) 的ndarray

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，因为您要求每个样本的每个标签集都必须被正确预测。

参数：
X形状为 (n_samples, n_features) 的类数组

测试样本。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组

X 的真实标签。

sample_weight形状为 (n_samples,) 的类数组，默认值为 None

样本权重。

返回:
score浮点数

self.predict(X) 关于 y 的平均准确率。

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

请求传递给 fit 方法的元数据。

请注意，只有当 enable_metadata_routing=True 时，此方法才相关（请参见 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，则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，而其他参数不变。

版本 1.3 中新增。

注意

只有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。否则它无效。

参数：
coef_initstr、True、False 或 None，默认值为 sklearn.utils.metadata_routing.UNCHANGED

用于 fit 中 coef_init 参数的元数据路由。

intercept_initstr、True、False 或 None，默认值为 sklearn.utils.metadata_routing.UNCHANGED

用于 fit 中 intercept_init 参数的元数据路由。

sample_weightstr、True、False 或 None，默认值为 sklearn.utils.metadata_routing.UNCHANGED

用于 fit 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:
self估计器实例

估计器实例。

set_partial_fit_request(*, classes: bool | None | str = '$UNCHANGED$', sample_weight: bool | None | str = '$UNCHANGED$') → Perceptron[source]#

请求传递给 partial_fit 方法的元数据。

请注意，只有当 enable_metadata_routing=True 时，此方法才相关（请参见 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 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，则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，而其他参数不变。

版本 1.3 中新增。

注意

只有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。否则它无效。

参数：
classesstr、True、False 或 None，默认值为 sklearn.utils.metadata_routing.UNCHANGED

用于 partial_fit 中 classes 参数的元数据路由。

sample_weightstr、True、False 或 None，默认值为 sklearn.utils.metadata_routing.UNCHANGED

用于 partial_fit 中 sample_weight 参数的元数据路由。

返回:
self对象

更新后的对象。

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

请求传递给 score 方法的元数据。

请注意，只有当 enable_metadata_routing=True 时，此方法才相关（请参见 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，则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，而其他参数不变。

版本 1.3 中新增。

注意

只有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。否则它无效。

参数：
sample_weightstr、True、False 或 None，默认值为 sklearn.utils.metadata_routing.UNCHANGED

用于 score 中 sample_weight 参数的元数据路由。

返回:
self对象

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表示方式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_中零元素不多时，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%，才能获得显著的益处。

调用此方法后，使用partial_fit方法（如果有）进行进一步拟合将无法工作，除非您调用densify。