SGDRegressor#

class sklearn.linear_model.SGDRegressor(loss='squared_error', *, penalty='l2', alpha=0.0001, l1_ratio=0.15, fit_intercept=True, max_iter=1000, tol=0.001, shuffle=True, verbose=0, epsilon=0.1, random_state=None, learning_rate='invscaling', eta0=0.01, power_t=0.25, early_stopping=False, validation_fraction=0.1, n_iter_no_change=5, warm_start=False, average=False)[源代码]#

线性模型通过最小化与新元的正规化经验损失来进行。

BCD代表随机梯度下降：每次估计每个样本的损失梯度，并随强度时间表（又名学习率）的递减更新模型。

正规化器是添加到损失函数的惩罚，该函数使用平方欧几里得规范L2或绝对规范L1或两者的组合（弹性网）将模型参数缩小到零载体。如果参数更新因规则化器而超过0.0值，则更新将被截断为0.0，以允许学习稀疏模型并实现在线特征选择。

此实现使用表示为功能的浮点值的密集麻木数组的数据。

阅读更多的 User Guide .

参数:

loss字符串，默认='平方_错误'

要使用的损失函数。可能的值为'squared_error'、' huber '、' squared_insensitive '或'squared_insensitive'

'squared_error'是指普通最小二乘拟合。'huber'修改了'squared_error'，减少了对异常值的关注，通过将平方损失切换到线性损失，使其超过1/2的距离。'RISK_insensitive'忽略小于RISK的错误，并且是线性的;这是SVR中使用的损失函数。'squared_error_insensitive'是相同的，但在超过容差的情况下变为平方损失。

有关损失公式的更多详细信息，请参见 User Guide .

penalty' l2 '，' l1 '，' elasticnet '，无}，默认=' l2 '

要使用的惩罚（aka正则化项）。指定为“l2”，这是线性支持者模型的标准正规化器。“l1”和“elasticnet”可能会给模型（特征选择）带来“l2”无法实现的稀疏性。设置为时不增加处罚 None .

您可以在中看到点球的可视化新元：处罚 .

alphafloat，默认=0.0001

乘以正规化项的常数。值越高，规则化越强。还用于计算学习率时 learning_rate 设置为“最佳”。值必须在范围内 [0.0, inf) .

l1_ratio浮动，默认=0.15

弹性净混合参数，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 是“弹性网”。值必须在范围内 [0.0, 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 法值必须在范围内 [1, inf) .

Added in version 0.19.

tol浮动或无，默认= 1 e-3

停止标准。如果不是无，则训练将在（loss > best_loss - tol）时停止 n_iter_no_change 连续的时代。根据训练损失或验证损失检查收敛性，具体取决于 early_stopping 参数.值必须在范围内 [0.0, inf) .

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。值必须在范围内 [0, inf) .

epsilonfloat，默认=0.1

Epsilon不敏感损失函数中的Epsilon;仅当 loss 是'huber'、'squared_insensitive'或'squared_insensitive'。对于'huber'，确定阈值，在该阈值处，准确预测变得不那么重要。对于ε不敏感，如果当前预测和正确标签之间的任何差异小于此阈值，则忽略它们。值必须在范围内 [0.0, inf) .

random_stateint，RandomState实例，默认=无

用于洗牌数据，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 .

learning_rate字符串，默认=' invscaling '

学习率计划：

“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。

Added in version 0.20: 添加了“自适应”选项。

eta0浮动，默认=0.01

“constant”、“invscaling”或“adaptive”调度的初始学习率。默认值为0.01。值必须在范围内 [0.0, inf) .

power_t浮动，默认=0.25

逆缩放学习率的指数。值必须在范围内 (-inf, inf) .

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，它将自动保留一部分训练数据作为验证，并在返回验证分数时终止训练 score 方法至少没有改进 tol 为 n_iter_no_change 连续的时代。

看到随机梯度下降的早停止作为提前停止影响的一个例子。

Added in version 0.20: 添加了“early_stopping”选项

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。仅在以下情况下使用 early_stopping 是真的值必须在范围内 (0.0, 1.0) .

Added in version 0.20: 添加了“validation_fraction”选项

n_iter_no_changeint，默认=5

在停止拟合之前等待的没有改进的迭代次数。根据训练损失或验证损失检查收敛性，具体取决于 early_stopping 参数.收件箱值必须在范围内 [1, max_iter) .

Added in version 0.20: 添加了“n_iter_no_change”选项

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，计算所有更新的平均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，就会开始求平均 average .所以 average=10 将在看到10个样本后开始求平均值。

属性:

coef_形状的nd数组（n_features，）: 分配给要素的权重。
intercept_形状的nd数组（1，）: 拦截项。
n_iter_int: 达到停止标准之前的实际迭代次数。
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

HuberRegressor: 对异常值稳健的线性回归模型。
Lars: 最小角回归模型。
Lasso: 线性模型使用L1之前作为正规化器进行训练。
RANSACRegressor: RANSAC (RANdom SAmple Consensus) algorithm.
Ridge: Linear least squares with l2 regularization.
sklearn.svm.SVR: Epsilon-支持向量回归。
TheilSenRegressor: Theil-Sen估计稳健多元回归模型。

示例

>>> import numpy as np
>>> from sklearn.linear_model import SGDRegressor
>>> from sklearn.pipeline import make_pipeline
>>> from sklearn.preprocessing import StandardScaler
>>> n_samples, n_features = 10, 5
>>> rng = np.random.RandomState(0)
>>> y = rng.randn(n_samples)
>>> X = rng.randn(n_samples, n_features)
>>> # Always scale the input. The most convenient way is to use a pipeline.
>>> reg = make_pipeline(StandardScaler(),
...                     SGDRegressor(max_iter=1000, tol=1e-3))
>>> reg.fit(X, y)
Pipeline(steps=[('standardscaler', StandardScaler()),
                ('sgdregressor', SGDRegressor())])

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_features，），默认=无: 热启动优化的初始系数。
intercept_init形状的nd数组（1，），默认=无: 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（1.对于未加权）。

返回:

self对象: 装配 SGDRegressor 估计者。

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, 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。客观收敛、提前停止等事宜应由用户自行处理。

参数:

X{类数组，稀疏矩阵}，形状（n_samples，n_features）: 训练数据子集。
y形状的麻木数组（n_samples，）: 目标值的子集。
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]#

Predict using the linear model.

参数:

X{类数组，稀疏矩阵}，形状（n_samples，n_features）: 输入数据。

返回:

形状的nd数组（n_samples，）: X中每个元素的预测目标值。

score(X, y, sample_weight=None)[源代码]#

返回预测的决定系数。

决定系数 $R^2$ 被定义为 $(1 - \frac{u}{v})$ ，在哪里 $u$ 是残差平方和 ((y_true - y_pred)** 2).sum() 和 $v$ 是平方总和 ((y_true - y_true.mean()) ** 2).sum() .最好的可能分数是1.0，并且可以是负的（因为模型可以任意更差）。始终预测的期望值的恒定模型 y 如果不考虑输入功能，就会得到 $R^2$ 评分0.0。

参数:

X形状类似阵列（n_samples，n_features）: Test samples. For some estimators this may be a precomputed kernel matrix or a list of generic objects instead with shape (n_samples, n_samples_fitted), where n_samples_fitted is the number of samples used in the fitting for the estimator.
y形状的类似阵列（n_samples，）或（n_samples，n_outputs）: 真正的价值观 X .
sample_weight形状类似数组（n_samples，），默认=无: 样本重量。

返回:

score浮子: $R^2$ 的 self.predict(X) w.r.t. y .

注意到

的 $R^2$ 呼叫时使用的分数 score 在回归器上使用 multioutput='uniform_average' 从0.23版本开始，与默认值保持一致 r2_score .这影响了 score 所有多输出回归器的方法（除了 MultiOutputRegressor ).

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

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