LinearSVR#

class sklearn.svm.LinearSVR(*, epsilon=0.0, tol=0.0001, C=1.0, loss='epsilon_insensitive', fit_intercept=True, intercept_scaling=1.0, dual='auto', verbose=0, random_state=None, max_iter=1000)[source]#

线性支持向量回归。

类似于带有参数 kernel='linear' 的 SVR，但它是用 liblinear 而不是 libsvm 实现的，因此在选择惩罚项和损失函数时具有更大的灵活性，并且应能更好地扩展到大量样本。

LinearSVR 和 SVR 之间的主要区别在于默认使用的损失函数，以及两种实现对截距正则化的处理方式。

该类支持密集和稀疏输入。

请在用户指南中阅读更多内容。

在版本 0.16 中新增。

参数:

epsilonfloat, default=0.0: epsilon 不敏感损失函数中的 epsilon 参数。请注意，此参数的值取决于目标变量 y 的尺度。如果不确定，请设置 epsilon=0。
tolfloat, default=1e-4: 停止标准的容忍度。
Cfloat, default=1.0: 正则化参数。正则化的强度与 C 成反比。必须严格为正。
loss{‘epsilon_insensitive’, ‘squared_epsilon_insensitive’}, default=’epsilon_insensitive’: 指定损失函数。epsilon 不敏感损失（标准 SVR）是 L1 损失，而平方 epsilon 不敏感损失（‘squared_epsilon_insensitive’）是 L2 损失。
fit_interceptbool, default=True: 是否拟合截距。如果设置为 True，特征向量将扩展为包含一个截距项：[x_1, ..., x_n, 1]，其中 1 对应于截距。如果设置为 False，则计算中不使用截距（即数据应已居中）。
intercept_scalingfloat, 默认值为 1.0: 当 fit_intercept 为 True 时，实例向量 x 变为 [x_1, ..., x_n, intercept_scaling]，即一个常量值等于 intercept_scaling 的“合成”特征被附加到实例向量中。截距变为 intercept_scaling * 合成特征权重。请注意，liblinear 内部对截距进行惩罚，将其视为特征向量中的任何其他项。为了减少正则化对截距的影响，可以将 intercept_scaling 参数设置为大于 1 的值；intercept_scaling 的值越高，正则化对截距的影响越小。然后，权重变为 [w_x_1, ..., w_x_n, w_intercept*intercept_scaling]，其中 w_x_1, ..., w_x_n 代表特征权重，截距权重按 intercept_scaling 进行缩放。这种缩放允许截距项具有与S其他特征不同的正则化行为。
dual“auto” or bool, default=”auto”: 选择用于解决对偶或原始优化问题的算法。当 n_samples > n_features 时，首选 dual=False。dual="auto" 将根据 n_samples、n_features 和 loss 的值自动选择参数值。如果 n_samples < n_features 且优化器支持所选的 loss，则 dual 将设置为 True，否则将设置为 False。

版本 1.3 中的更改: "auto" 选项是在版本 1.3 中添加的，并将成为版本 1.5 中的默认值。
verboseint, default=0: 启用详细输出。请注意，此设置利用 liblinear 中的进程运行时设置，如果启用，在多线程环境中可能无法正常工作。
random_stateint, RandomState instance or None, default=None: 控制用于打乱数据的伪随机数生成。传入一个 int 以在多次函数调用中获得可重现的输出。请参阅词汇表。
max_iterint, default=1000: 要运行的最大迭代次数。

属性:

coef_ndarray of shape (n_features) if n_classes == 2 else (n_classes, n_features)

分配给特征的权重（原始问题中的系数）。

coef_ 是从 raw_coef_ 派生出的只读属性，它遵循 liblinear 的内部内存布局。

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。

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

在所有类中运行的最大迭代次数。

另请参阅

LinearSVC: 使用与此类相同的库 (liblinear) 实现的支持向量机分类器。
SVR: 使用 libsvm 实现的支持向量机回归：核函数可以是S非线性的，但其 SMO 算法无法像 LinearSVR 那样扩展到大量样本。
sklearn.linear_model.SGDRegressor: SGDRegressor 可以通过调整 penalty 和 loss 参数来优化与 LinearSVR 相同的成本函数。此外，它需要更少的内存，允许增量（在线）学习，并实现各种损失函数和正则化方案。

示例

>>> from sklearn.svm import LinearSVR
>>> from sklearn.pipeline import make_pipeline
>>> from sklearn.preprocessing import StandardScaler
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(n_features=4, random_state=0)
>>> regr = make_pipeline(StandardScaler(),
...                      LinearSVR(random_state=0, tol=1e-5))
>>> regr.fit(X, y)
Pipeline(steps=[('standardscaler', StandardScaler()),
                ('linearsvr', LinearSVR(random_state=0, tol=1e-05))])

>>> print(regr.named_steps['linearsvr'].coef_)
[18.582 27.023 44.357 64.522]
>>> print(regr.named_steps['linearsvr'].intercept_)
[-4.]
>>> print(regr.predict([[0, 0, 0, 0]]))
[-2.384]

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

根据给定的训练数据拟合模型。

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。
sample_weightshape 为 (n_samples,) 的 array-like, default=None: 分配给单个样本的权重数组。如果未提供，则每个样本都被赋予单位权重。

版本 0.18 新增。

返回:

selfobject: 估计器的一个实例。

get_metadata_routing()[source]#

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)[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。

predict(X)[source]#

使用线性模型进行预测。

参数:

Xarray-like or sparse matrix, shape (n_samples, n_features): 样本。

返回:

Carray, shape (n_samples,): 返回预测值。

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()。最佳得分为 1.0，它也可以是负值（因为模型可能任意差）。一个始终预测 y 期望值而不考虑输入特征的常数模型将获得 $R^2$ 分数 0.0。

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

在对回归器调用 score 时使用的 $R^2$ 分数从版本 0.23 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（MultiOutputRegressor 除外）的 score 方法。

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

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:

sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED: fit 方法中 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_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → LinearSVR[source]#

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。

LinearSVR#

本页