SVR#

class sklearn.svm.SVR(*, kernel='rbf', degree=3, gamma='scale', coef0=0.0, tol=0.001, C=1.0, epsilon=0.1, shrinking=True, cache_size=200, verbose=False, max_iter=-1)[source]#

Epsilon-支持向量回归。

模型中的自由参数是 C 和 epsilon。

该实现基于 libsvm。拟合时间复杂度与样本数量呈超二次方关系，这使得它难以扩展到包含数万个样本的数据集。对于大型数据集，可以考虑使用 LinearSVR 或 SGDRegressor，可能在之前使用 Nystroem 转换器或其他核近似方法。

请在用户指南中阅读更多内容。

参数:

kernel{‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’} 或可调用对象，默认值为’rbf’

指定算法中使用的核函数类型。如果未指定，将使用“rbf”。如果给定了可调用对象，则用于预计算核矩阵。要直观地了解不同核函数类型，请参阅使用线性和非线性核的支持向量回归（SVR）。

degreeint，默认值为3

多项式核函数（‘poly’）的次数。必须是非负的。其他所有核函数均忽略此参数。

gamma{‘scale’, ‘auto’} 或 float，默认值为’scale’

‘rbf’、‘poly’ 和 ‘sigmoid’ 的核系数。

如果传递 gamma='scale'（默认值），则使用 1 / (n_features * X.var()) 作为 gamma 的值，
如果为 ‘auto’，则使用 1 / n_features
如果为 float，则必须是非负的。

版本 0.22 中已更改：gamma 的默认值从 ‘auto’ 更改为 ‘scale’。

coef0float，默认值为0.0

核函数中的常数项。它仅在 ‘poly’ 和 ‘sigmoid’ 中很重要。

tolfloat, default=1e-3

停止准则的容差。

Cfloat, default=1.0

正则化参数。正则化强度与 C 成反比。必须严格为正。惩罚项是平方 l2。要直观地了解缩放正则化参数 C 的效果，请参阅缩放 SVC 的正则化参数。

epsilonfloat, default=0.1

epsilon-SVR 模型中的 epsilon。它指定了 epsilon-tube，在此范围内，训练损失函数中与实际值距离在 epsilon 范围内的点不产生惩罚。必须是非负数。

shrinkingbool，默认值为True

是否使用收缩启发式方法。请参阅用户指南。

cache_sizefloat，默认值为200

指定核缓存的大小（以 MB 为单位）。

verbosebool, default=False

启用详细输出。请注意，此设置利用了 libsvm 中一个每个进程的运行时设置，如果启用，在多线程环境中可能无法正常工作。

max_iterint，默认值为-1

求解器内迭代次数的硬限制，或者 -1 表示无限制。

属性:

coef_形状为 (1, n_features) 的 ndarray: 当 kernel="linear" 时分配给特征的权重。
dual_coef_形状为 (1, n_SV) 的 ndarray: 决策函数中支持向量的系数。
fit_status_int: 0 表示拟合正确，1 表示否则（将引发警告）
intercept_ndarray of shape (1,): 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: 优化例程运行以拟合模型的迭代次数。

版本 1.1 中新增。
n_support_ndarray of shape (1,), dtype=int32: 每个类别的支持向量数量。
shape_fit_tuple of int，形状为 (n_dimensions_of_X,): 训练向量 X 的数组维度。
support_ndarray，形状为 (n_SV,): 支持向量的索引。
support_vectors_ndarray，形状为 (n_SV, n_features): 支持向量。

另请参阅

NuSVR: 用于回归的支持向量机，使用 libsvm 实现，带有一个参数来控制支持向量的数量。
LinearSVR: 使用 liblinear 实现的可扩展线性支持向量回归机。

References

[1]

LIBSVM：支持向量机库

[2]

Platt, John (1999)。“Probabilistic Outputs for Support Vector Machines and Comparisons to Regularized Likelihood Methods”

示例

>>> from sklearn.svm import SVR
>>> from sklearn.pipeline import make_pipeline
>>> from sklearn.preprocessing import StandardScaler
>>> import numpy as np
>>> n_samples, n_features = 10, 5
>>> rng = np.random.RandomState(0)
>>> y = rng.randn(n_samples)
>>> X = rng.randn(n_samples, n_features)
>>> regr = make_pipeline(StandardScaler(), SVR(C=1.0, epsilon=0.2))
>>> regr.fit(X, y)
Pipeline(steps=[('standardscaler', StandardScaler()),
                ('svr', SVR(epsilon=0.2))])

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

根据给定的训练数据拟合 SVM 模型。

参数:

X{array-like, sparse matrix} of shape (n_samples, n_features) or (n_samples, n_samples): 训练向量，其中 n_samples 是样本数量，n_features 是特征数量。对于 kernel=”precomputed”，X 的预期形状为 (n_samples, n_samples)。
yarray-like of shape (n_samples,): 目标值（分类中的类别标签，回归中的实数）。
sample_weightshape 为 (n_samples,) 的 array-like, default=None: 每个样本的权重。为每个样本重新缩放 C。更高的权重会迫使分类器更加重视这些点。

返回:

selfobject: 拟合的估计器。

注意事项

如果 X 和 y 不是 C 顺序且连续的 np.float64 数组，并且 X 不是 scipy.sparse.csr_matrix，则 X 和/或 y 可能会被复制。

如果 X 是密集数组，那么其他方法将不支持稀疏矩阵作为输入。

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]#

对 X 中的样本执行回归。

对于单类模型，返回 +1（内点）或 -1（外点）。

参数:

Xshape 为 (n_samples, n_features) 的 {array-like, sparse matrix}: 对于 kernel=”precomputed”，X 的预期形状为 (n_samples_test, n_samples_train)。

返回:

y_pred形状为 (n_samples,) 的 ndarray: 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()。最佳得分是 1.0，它也可以是负数（因为模型可能任意地差）。一个总是预测 y 期望值（不考虑输入特征）的常数模型将获得 $R^2$ 得分 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

从版本 0.23 开始，调用 regressor 的 score 时使用的 $R^2$ 得分采用 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（除了 MultiOutputRegressor）的 score 方法。

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → SVR[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 = '$UNCHANGED$') → SVR[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。

Gallery examples#

预测延迟

核岭回归和 SVR 比较

使用线性和非线性核的支持向量回归（SVR）

SVR#

Gallery examples#

本页