PassiveAggressiveClassifier#

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)[源代码]#

被动攻击性分类器。

阅读更多的 User Guide .

参数:

Cfloat，默认=1.0

最大步骤（正规化）。预设为1.0。

fit_intercept布尔，默认=True

是否应该估计拦截。如果为False，则假设数据已位于中心。

max_iterint，默认=1000

训练数据（又名epochs）的最大传递次数。它只会影响 fit 方法，而不是 partial_fit 法

Added in version 0.19.

tol浮动或无，默认= 1 e-3

停止标准。如果不是无，则迭代将在（loss > previous_loss - tol）时停止。

Added in version 0.19.

early_stopping布尔，默认=假

当验证分数没有提高时，是否使用提前停止来终止培训。如果设置为True，它将自动保留训练数据的分层部分作为验证，并在验证分数至少没有提高时终止训练 tol 为 n_iter_no_change 连续的时代。

Added in version 0.20.

validation_fractionfloat，默认=0.1

预留作为提前停止验证的训练数据比例。必须介于0和1之间。仅在early_stopping为True时使用。

Added in version 0.20.

n_iter_no_changeint，默认=5

提前停止之前需要等待没有改进的迭代数量。

Added in version 0.20.

shuffle布尔，默认=True

训练数据是否应该在每个历元后进行洗牌。

verboseint，默认=0

冗长程度。

loss字符串，默认=“hinkle”

要使用的损失函数：铰链：相当于参考文献中的PA-I。squared_hinge：相当于参考文件中的PA-II。

n_jobsint或无，默认=无

用于进行UVA（One Versus All，用于多类问题）计算的中央处理器数量。 None 意思是1，除非在a中 joblib.parallel_backend 上下文 -1 意味着使用所有处理器。看到 Glossary 了解更多详细信息。

random_stateint，RandomState实例，默认=无

用于洗牌训练数据，当 shuffle 设置为 True .传递int以获得跨多个函数调用的可重复输出。看到 Glossary .

warm_start布尔，默认=假

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

由于数据洗牌的方式，当warm_start为True时重复调用fit或partial_fit可能会导致与单次调用fit不同的解决方案。

class_weightdict、{class_Label：weight}或“平衡”或无，默认值=无

为class_weight fit参数预设。

与班级相关的权重。如果没有给出，所有类别的权重都应该为一。

“平衡”模式使用y值自动调整与输入数据中的类别频率成反比例的权重， n_samples / (n_classes * np.bincount(y)) .

Added in version 0.17: 参数 class_weight 自动对样本进行加权。

averagebool或int，默认=False

当设置为True时，计算平均Singapore权重并将结果存储在 coef_ 属性如果设置为大于1的int，则一旦看到的样本总数达到平均值，就会开始求平均值。因此，平均值=10将在看到10个样本后开始求平均值。

Added in version 0.19: 参数 average 使用以新加坡元计算的权重平均值。

属性:

coef_如果n_classes == 2，则形状的nd数组（1，n_features）否则（n_类，n_特征）: 分配给要素的权重。
intercept_如果n_classes == 2，则形状为（1，）的nd数组否则（n_classes，）: 决策功能中的常数。
n_features_in_int: 期间看到的功能数量 fit .

Added in version 0.24.
feature_names_in_ ：nd形状数组 (n_features_in_ ,)nd数组形状（: Names of features seen during fit. Defined only when X has feature names that are all strings.

Added in version 1.0.
n_iter_int: 达到停止标准的实际迭代次数。对于多类配合，它是每个二元配合的最大值。
classes_形状的nd数组（n_classes，）: 独特的班级标签。
t_int: 训练期间执行的体重更新次数。相同 (n_iter_ * n_samples + 1) .

参见

SGDClassifier: 增量训练的逻辑回归。
Perceptron: Linear perceptron classifier.

引用

在线被动攻击算法<http://jmlr.csail.mit.edu/papers/volume7/crammer06a/crammer06a.pdf> K.克拉默，O.德克尔，J. Keshat，S. Shalev-Shwartz，Y.歌手- 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)[源代码]#

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形状（n_samples，n_features）的{类数组，稀疏矩阵}: 我们想要获取其置信度分数的数据矩阵。

返回:

scores形状的ndarray（n_samples，）或（n_samples，n_classes）: 信心分数 (n_samples, n_classes) 组合.在二元情况下，置信度得分 self.classes_[1] 其中>0意味着这个类将被预测。

densify()[源代码]#

将系数矩阵转换为密集数组格式。

转换 coef_ member（back）to a numpy.ndarray.这是 coef_ 并且是装配所需的，因此仅需要对之前已精简的模型调用此方法;否则，这是不操作的。

返回:

自我: 拟合估计量。

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

使用被动攻击算法匹配线性模型。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}: 训练数据。
y形状类似阵列（n_samples，）: 目标值。
coef_init形状的nd数组（n_classes，n_features）: 热启动优化的初始系数。
intercept_init形状的nd数组（n_classes，）: 热启动优化的初始拦截。

返回:

self对象: 拟合估计量。

get_metadata_routing()[源代码]#

获取此对象的元数据路由。

请检查 User Guide 关于路由机制如何工作。

返回:

routingMetadataRequest: A MetadataRequest 封装路由信息。

get_params(deep=True)[源代码]#

获取此估计器的参数。

参数:

deep布尔，默认=True: 如果为True，将返回此估计量和包含的作为估计量的子对象的参数。

返回:

paramsdict: 参数名称映射到其值。

partial_fit(X, y, classes=None)[源代码]#

使用被动攻击算法匹配线性模型。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}: 训练数据的子集。
y形状类似阵列（n_samples，）: 目标值的子集。
classes形状的nd数组（n_classes，）: 所有partial_fit调用的类。可通过以下方式获得： np.unique(y_all) 其中y_all是整个数据集的目标向量。第一次调用partial_fit时需要此参数，在后续调用中可以省略。请注意，y不需要包含 classes .

返回:

self对象: 拟合估计量。

predict(X)[源代码]#

预测X中样本的类别标签。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}: 我们想要获取预测的数据矩阵。

返回:

y_pred形状的nd数组（n_samples，）: 包含每个样本的类标签的载体。

score(X, y, sample_weight=None)[源代码]#

返回给定测试数据和标签的平均准确度。

在多标签分类中，这是子集准确度，这是一个苛刻的指标，因为您需要为每个样本正确预测每个标签集。

参数:

X形状类似阵列（n_samples，n_features）: 测试样本。
y形状的类似阵列（n_samples，）或（n_samples，n_outputs）: 真正的标签 X .
sample_weight形状类似数组（n_samples，），默认=无: 样本重量。

返回:

score浮子: 平均准确度 self.predict(X) w.r.t. y .

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

请求元数据传递给 fit 法

请注意，此方法仅适用于以下情况 enable_metadata_routing=True （见 sklearn.set_config ).请参阅 User Guide 关于路由机制如何工作。

The options for each parameter are:

True ：元数据被请求并传递给 fit 如果提供的话。如果未提供元数据，则会忽略请求。
False ：未请求元数据，元估计器不会将其传递给 fit .
None ：不请求元数据，如果用户提供元估计器，则元估计器将引发错误。
str ：元数据应通过此给定别名而不是原始名称传递给元估计器。

默认 (sklearn.utils.metadata_routing.UNCHANGED ）保留现有请求。这允许您更改某些参数的请求，而不是其他参数。

Added in version 1.3.

备注

只有当该估计器用作元估计器的子估计器时，该方法才相关，例如在 Pipeline .否则就没有效果了。

参数:

coef_init字符串、真、假或无，默认=sklearn.utils. metalics_Routing.UNChanged: 元数据路由 coef_init 参数 fit .
intercept_init字符串、真、假或无，默认=sklearn.utils. metalics_Routing.UNChanged: 元数据路由 intercept_init 参数 fit .

返回:

self对象: 更新的对象。

set_params(**params)[源代码]#

设置此估计器的参数。

该方法适用于简单估计器以及嵌套对象（例如 Pipeline ).后者具有以下形式的参数 <component>__<parameter> 以便可以更新嵌套对象的每个组件。

参数:

**paramsdict: 估计参数。

返回:

self估计器实例: 估计实例。

set_partial_fit_request(*, classes: bool | None | str = '$UNCHANGED$') → PassiveAggressiveClassifier[源代码]#

请求元数据传递给 partial_fit 法

请注意，此方法仅适用于以下情况 enable_metadata_routing=True （见 sklearn.set_config ).请参阅 User Guide 关于路由机制如何工作。

The options for each parameter are:

True ：元数据被请求并传递给 partial_fit 如果提供的话。如果未提供元数据，则会忽略请求。
False ：未请求元数据，元估计器不会将其传递给 partial_fit .
None ：不请求元数据，如果用户提供元估计器，则元估计器将引发错误。
str ：元数据应通过此给定别名而不是原始名称传递给元估计器。

默认 (sklearn.utils.metadata_routing.UNCHANGED ）保留现有请求。这允许您更改某些参数的请求，而不是其他参数。

Added in version 1.3.

备注

只有当该估计器用作元估计器的子估计器时，该方法才相关，例如在 Pipeline .否则就没有效果了。

参数:

classes字符串、真、假或无，默认=sklearn.utils. metalics_Routing.UNChanged: 元数据路由 classes 参数 partial_fit .

返回:

self对象: 更新的对象。

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

请求元数据传递给 score 法

请注意，此方法仅适用于以下情况 enable_metadata_routing=True （见 sklearn.set_config ).请参阅 User Guide 关于路由机制如何工作。

The options for each parameter are:

True ：元数据被请求并传递给 score 如果提供的话。如果未提供元数据，则会忽略请求。
False ：未请求元数据，元估计器不会将其传递给 score .
None ：不请求元数据，如果用户提供元估计器，则元估计器将引发错误。
str ：元数据应通过此给定别名而不是原始名称传递给元估计器。

默认 (sklearn.utils.metadata_routing.UNCHANGED ）保留现有请求。这允许您更改某些参数的请求，而不是其他参数。

Added in version 1.3.

备注

只有当该估计器用作元估计器的子估计器时，该方法才相关，例如在 Pipeline .否则就没有效果了。

参数:

sample_weight字符串、真、假或无，默认=sklearn.utils. metalics_Routing.UNChanged: 元数据路由 sample_weight 参数 score .

返回:

self对象: 更新的对象。

sparsify()[源代码]#

将系数矩阵转换为稀疏格式。

转换 coef_ scipy.sparse矩阵的成员，对于L1正规化模型，该矩阵比通常的numpy. ndray表示具有更高的内存和存储效率。

的 intercept_ 成员未转换。

返回:

自我: 拟合估计量。

注意到

对于非稀疏模型，即当零不多时 coef_ ，这实际上可能 increase 内存使用情况，因此请谨慎使用此方法。经验法则是零元素的数量，可以用 (coef_ == 0).sum() ，必须超过50%才能提供显着的好处。

调用此方法后，使用partial_fit方法（如果有的话）的进一步匹配将无法工作，直到调用denssify。