Ctrl+K

SGDOneClassSV#

class sklearn.linear_model.SGDOneClassSVM(nu=0.5, fit_intercept=True, max_iter=1000, tol=0.001, shuffle=True, verbose=0, random_state=None, learning_rate='optimal', eta0=0.0, power_t=0.5, warm_start=False, average=False)[源代码]#

使用随机梯度下降来求解线性一类支持者。

此实现旨在与内核逼近技术一起使用（例如 sklearn.kernel_approximation.Nystroem ）以获得类似于 sklearn.svm.OneClassSVM 默认情况下使用高斯核。

阅读更多的 User Guide .

Added in version 1.0.

参数:
nu浮点数，默认值=0.5

One Class Support的nu参数：训练错误比例的上限和支持量比例的下限。应在区间（0，1]内。默认情况下将采用0.5。

fit_intercept布尔，默认=True

是否应该估计拦截。切换到True。

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 .预设至1000。值必须在范围内 [1, inf) .

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。返回至1 e-3。值必须在范围内 [0.0, inf) .

shuffle布尔，默认=True

训练数据是否应该在每个历元后进行洗牌。切换到True。

verboseint，默认=0

冗长程度。

random_stateint，RandomState实例或无，默认=无

洗牌数据时使用的伪随机数生成器的种子。 如果是int，则random_State是随机数生成器使用的种子;如果是RandomState实例，则random_State是随机数生成器;如果是无，则随机数生成器是由使用的RandomState实例 np.random .

learning_rate' constant '，' optimal','，' invscaling '，&#3

要使用的学习率计划 fit . (If使用 partial_fit 、学习率必须直接控制）。

  • “常数”： eta = eta0

  • “最佳”： eta = 1.0 / (alpha * (t + t0)) 其中t0是通过Leon Bottou提出的启发式选择的。

  • 'invscaling'： eta = eta0 / pow(t, power_t)

  • “适应性”：eta = eta 0，只要训练不断减少。每当n_iter_no_change连续时期未能将训练损失减少tol或未能将验证分数增加tol（如果early_stoping为True）时，当前学习率将被除以5。

eta0float，默认=0.0

“constant”、“invscaling”或“adaptive”调度的初始学习率。默认值为0.0，因为默认计划“optimal”不使用eta0。值必须在范围内 [0.0, inf) .

power_t浮点数，默认值=0.5

逆缩放学习率的指数。值必须在范围内 (-inf, inf) .

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。如果使用动态学习率，则学习率根据已看到的样本数量进行调整。调用 fit 重置此计数器，而 partial_fit 将导致现有计数器的增加。

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的整数，则在所看到的样本总数达到平均值后，将开始求平均值。所以 average=10 将在看到10个样本后开始求平均值。

属性:
coef_nd数组形状（1，n_features）

分配给要素的权重。

offset_形状的nd数组（1，）

用于根据原始分数定义决策函数的偏差。我们有这样的关系：decision_函数= score_samples -off。

n_iter_int

达到停止标准的实际迭代次数。

t_int

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

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.

参见

sklearn.svm.OneClassSVM

无监督离群点检测。

注意到

该估计器在训练样本的数量上具有线性复杂度，因此比 sklearn.svm.OneClassSVM 具有大量训练样本（例如> 10，000）的数据集的实现。

示例

>>> import numpy as np
>>> from sklearn import linear_model
>>> X = np.array([[-1, -1], [-2, -1], [1, 1], [2, 1]])
>>> clf = linear_model.SGDOneClassSVM(random_state=42)
>>> clf.fit(X)
SGDOneClassSVM(random_state=42)

>>> print(clf.predict([[4, 4]]))
[1]
decision_function(X)[源代码]#

到分离超平面的符号距离。

带符号距离对于内点为正值，对于离群点为负值。

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

测试数据。

返回:
dec类似阵列，形状（n_samples，）

样本的决策函数值。

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=None, coef_init=None, offset_init=None, sample_weight=None)[源代码]#

用随机梯度下降来适应线性一类支持机。

这解决了一级支持机原始优化问题的等效优化问题，并返回权重载体w和偏差rho，使得决策函数由<w，x> - rho给出。

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

训练数据。

y忽视

未使用，按照惯例，为了API一致性而存在。

coef_init数组，形状（n_classes，n_features）

热启动优化的初始系数。

offset_init数组，形状（n_classes，）

热启动优化的初始补偿。

sample_weightarray-like, shape (n_samples,), optional

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

返回适合的自我实例。

fit_predict(X, y=None, **kwargs)[源代码]#

在X上执行fit并返回X的标签。

异常值返回-1，内值返回1。

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

输入样本。

y忽视

未使用，按照惯例，为了API一致性而存在。

**kwargsdict

将传递给的论点 fit .

Added in version 1.4.

返回:
y形状的nd数组（n_samples，）

1代表内部值，-1代表异常值。

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=None, sample_weight=None)[源代码]#

用随机梯度下降来适应线性一类支持机。

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

训练数据的子集。

y忽视

未使用，按照惯例，为了API一致性而存在。

sample_weightarray-like, shape (n_samples,), optional

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

返回适合的自我实例。

predict(X)[源代码]#

返回样本的标签（1个内值，-1个离群值）。

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

测试数据。

返回:
y数组，形状（n_samples，）

样本的标签。

score_samples(X)[源代码]#

样本的原始评分功能。

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

测试数据。

返回:
score_samples类似阵列，形状（n_samples，）

样本的未移位评分函数值。

set_fit_request(*, coef_init: bool | None | str = '$UNCHANGED$', offset_init: bool | None | str = '$UNCHANGED$', sample_weight: bool | None | str = '$UNCHANGED$') → SGDOneClassSVM[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 .

offset_init字符串、真、假或无， 默认=sklearn.utils. metalics_Routing.UNChanged

元数据路由 offset_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(*, sample_weight: bool | None | str = '$UNCHANGED$') → SGDOneClassSVM[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:
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。

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