NuSVR#

class sklearn.svm.NuSVR(*, nu=0.5, C=1.0, kernel='rbf', degree=3, gamma='scale', coef0=0.0, shrinking=True, tol=0.001, cache_size=200, verbose=False, max_iter=-1)[源代码]#

Nu支持载体回归。

与NuSVC类似，对于回归，使用参数nu来控制支持向量的数量。然而，与NuSVC不同的是，这里nu取代了ε-SVR的参数ε。

该实现基于libsvm。

阅读更多的 User Guide .

参数:

nu浮点数，默认值=0.5

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。

Cfloat，默认=1.0

误差项的罚参数C。如需直观地可视化调整规则化参数C的影响，请参阅缩放SVCs的正规化参数 .

kernel{'linear'，'poly'，'rbf'，'sigmoid'，'precomputed'}或可调用，默认值='rbf'

指定算法中使用的内核类型。如果没有给出，则将使用“rBF”。如果给出了可调用内容，则使用它来预计算核矩阵。有关不同内核类型的直观可视化，请参阅使用线性和非线性核的支持量回归（SVR）

degreeint，默认=3

多项核函数（“poly”）的次数。必须是非负的。被所有其他内核忽视。

gamma请输入'scale'，'auto'}或float，default='scale'

“rbf”、“poly”和“sigmoid”的核系数。

如果 gamma='scale' （默认）被传递，然后它使用1 /（n_features * X.var（））作为gamma的值，
如果是“自动”，则使用1 / n_features
如果为浮动，则必须为非负数。

在 0.22 版本发生变更: 的默认值 gamma 从“自动”更改为“规模”。

coef0float，默认=0.0

核函数中的独立项。它仅在“多聚体”和“西格玛”中显着。

shrinking布尔，默认=True

是否使用收缩启发式。看到 User Guide .

tol浮点数，默认值= 1 e-3

停止标准的容忍度。

cache_size浮动，默认=200

指定内核缓存的大小（以MB为单位）。

verbose布尔，默认=假

启用详细输出。请注意，此设置利用了libsvm中的每进程运行时设置，如果启用该设置，则可能无法在多线程上下文中正常工作。

max_iterint，默认=-1

求解器内迭代的硬限制，或-1表示无限制。

属性:

coef_nd数组形状（1，n_features）: 在以下情况下分配给要素的权重 kernel="linear" .
dual_coef_形状的nd数组（1，n_SV）: 决策函数中支持向量的系数。
fit_status_int: 如果安装正确，则为0，否则为1（将发出警告）
intercept_形状的nd数组（1，）: 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: 优化例程为适应模型而运行的迭代次数。

Added in version 1.1.
n_support_形状的nd数组（1，），dype = int 32: 每个类别的支持载体数量。
shape_fit_形状的int的多元组（n_dimensions_of_X，）: 训练载体的数组维度 X .
support_形状的nd数组（n_SV，）: 支持载体指数。
support_vectors_ndrow形状数组（n_SV，n_features）: 支持载体。

参见

NuSVC: 用于分类的支持向量机，使用libsvm实现，带有一个参数来控制支持向量的数量。
SVR: 使用libsvm实现的回归的Episodes支持载体机。

引用

[1]

LIBSVM: A Library for Support Vector Machines <http://www.csie.ntu.edu.tw/~cjlin/papers/libsvm.pdf> _

[2]

Platt, John (1999). "Probabilistic Outputs for Support Vector Machines and Comparisons to Regularized Likelihood Methods" <https://citeseerx.ist.psu.edu/doc_view/pid/42e5ed832d4310ce4378c44d05570439df28a393> _

示例

>>> from sklearn.svm import NuSVR
>>> from sklearn.pipeline import make_pipeline
>>> from sklearn.preprocessing import StandardScaler
>>> import numpy as np
>>> n_samples, n_features = 10, 5
>>> np.random.seed(0)
>>> y = np.random.randn(n_samples)
>>> X = np.random.randn(n_samples, n_features)
>>> regr = make_pipeline(StandardScaler(), NuSVR(C=1.0, nu=0.1))
>>> regr.fit(X, y)
Pipeline(steps=[('standardscaler', StandardScaler()),
                ('nusvr', NuSVR(nu=0.1))])

fit(X, y, sample_weight=None)[源代码]#

根据给定的训练数据对支持机模型进行匹配。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵} 或（n_samples，n_samples）: 训练载体，在哪里 n_samples 是样本数量和 n_features 是功能的数量。对于core =“precalled”，X的预期形状是（n_samples，n_samples）。
y形状类似阵列（n_samples，）: 目标值（分类中的类别标签，回归中的真实数字）。
sample_weight形状类似数组（n_samples，），默认=无: 每个样品的重量。根据样本重新调整C。更高的权重迫使分类器更加强调这些点。

返回:

self对象: 拟合估计量。

注意到

如果X和y不是np.float64的C排序且连续数组，并且X不是scipy.sparse.csr_matrix，则可以复制X和/或y。

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()[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。

predict(X)[源代码]#

对X中的样本进行回归分析。

对于一级模型，返回+1（inlier）或-1（离群值）。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}: 对于core =“预先计算”，X的预期形状是（n_samples_Test，n_samples_train）。

返回:

y_pred形状的nd数组（n_samples，）: 预测值。

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 ).

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

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