Ctrl+K

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)[源代码]#

Linear perceptron classifier.

实现是一个包装 SGDClassifier 通过固定 loss 和 learning_rate 参数为：

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

其他可用参数如下所述，并转发至 SGDClassifier .

阅读更多的 User Guide .

参数:
penalty' l2 '，' l1 '，'，默认=无

要使用的惩罚（aka正则化项）。

alphafloat，默认=0.0001

如果使用正则化，则乘以正则化项的常数。

l1_ratio浮动，默认=0.15

Elastic Net混合参数，与 0 <= l1_ratio <= 1 . l1_ratio=0 对应于L2罚分， l1_ratio=1 到L1。仅在以下情况下使用 penalty='elasticnet' .

Added in version 0.24.

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.

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。

eta0float，默认=1

与更新相乘的常数。

n_jobsint，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实例或无，默认=0

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 .

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.

class_weightdict，{class_Label：weight}或“平衡”，默认=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)) .

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.

属性:
classes_形状的nd数组（n_classes，）

独特的班级标签。

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。

t_int

训练期间执行的体重更新次数。相同 (n_iter_ * n_samples + 1) .

参见

sklearn.linear_model.SGDClassifier

线性分类器（支持者、逻辑回归等）接受新加坡元培训。

注意到

Perceptron 是一种分类算法，与 SGDClassifier .事实上， Perceptron() 相当于 SGDClassifier(loss="perceptron", eta0=1, learning_rate="constant", penalty=None) .

引用

https://en.wikipedia.org/wiki/Perceptron and references therein.

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)[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, sample_weight=None)[源代码]#

使用随机梯度下降拟合线性模型。

参数:
X{类数组，稀疏矩阵}，形状（n_samples，n_features）

训练数据。

y形状的nd数组（n_samples，）

目标值。

coef_init形状的nd数组（n_classes，n_features），默认=无

热启动优化的初始系数。

intercept_initndarray of shape（n_classes，），default=None

热启动优化的初始拦截。

sample_weight类似阵列，形状（n_samples，），默认=无

应用于单个样本的权重。如果未提供，则假设均匀的权重。如果指定了class_weight，这些权重将与class_weight（通过构造函数传递）相乘。

返回:
self对象

返回自我的实例。

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, sample_weight=None)[源代码]#

对给定样本执行一个周期的随机梯度下降。

在内部，这种方法使用 max_iter = 1 .因此，不能保证在调用一次之后达到成本函数的最小值。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{类数组，稀疏矩阵}，形状（n_samples，n_features）

训练数据的子集。

y形状的nd数组（n_samples，）

目标值的子集。

classesndarray of shape（n_classes，），default=None

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 .

sample_weight类似阵列，形状（n_samples，），默认=无

应用于单个样本的权重。如果未提供，则假设均匀的权重。

返回:
self对象

返回自我的实例。

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 = '$UNCHANGED$', sample_weight: bool | None | str = '$UNCHANGED$') → Perceptron[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 .

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 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 = '$UNCHANGED$', sample_weight: bool | None | str = '$UNCHANGED$') → Perceptron[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 .

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 partial_fit .

返回:
self对象

更新的对象。

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

On this page