被動攻擊迴歸器 (PassiveAggressiveRegressor)#

class sklearn.linear_model.PassiveAggressiveRegressor(*, 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='epsilon_insensitive', epsilon=0.1, random_state=None, warm_start=False, average=False)[原始碼]#

被動積極迴歸器。

請參閱使用者指南以了解更多資訊。

參數:

Cfloat，預設值為 1.0

最大步長（正規化）。預設值為 1.0。

fit_interceptbool，預設值為 True

是否應該估計截距。如果為 False，則假設資料已經置中。預設值為 True。

max_iterint，預設值為 1000

訓練資料的最大傳遞次數（又稱 epoch）。它只會影響 fit 方法的行為，而不會影響 partial_fit 方法。

在版本 0.19 中新增。

tolfloat 或 None，預設值為 1e-3

停止條件。如果不是 None，則當 (loss > previous_loss - tol) 時，迭代將停止。

在版本 0.19 中新增。

early_stoppingbool，預設值為 False

是否使用提前停止來在驗證分數沒有改善時終止訓練。如果設為 True，它會自動將一部分訓練資料設為驗證集，並在驗證分數連續 n_iter_no_change 個 epoch 中沒有改善至少 tol 時終止訓練。

在版本 0.20 中新增。

validation_fractionfloat，預設值為 0.1

設定為驗證集以進行提前停止的訓練資料比例。必須介於 0 和 1 之間。僅當 early_stopping 為 True 時才使用。

在版本 0.20 中新增。

n_iter_no_changeint，預設值為 5

在提前停止之前，沒有改善的迭代次數。

在版本 0.20 中新增。

shufflebool，預設值為 True

是否應該在每個 epoch 後打亂訓練資料。

verboseint，預設值為 0

詳細程度。

lossstr，預設值為 "epsilon_insensitive"

要使用的損失函數：epsilon_insensitive：相當於參考論文中的 PA-I。squared_epsilon_insensitive：相當於參考論文中的 PA-II。

epsilonfloat，預設值為 0.1

如果目前的預測值與正確標籤之間的差異低於此閾值，則不會更新模型。

random_stateint，RandomState 實例，預設值為 None

當 shuffle 設為 True 時，用於打亂訓練資料。傳遞一個 int 以在多個函數呼叫中產生可重複的輸出。請參閱詞彙表。

warm_startbool，預設值為 False

當設為 True 時，會將先前 fit 呼叫的解重新用作初始化，否則只會清除先前的解。請參閱詞彙表。

當 warm_start 為 True 時重複呼叫 fit 或 partial_fit，由於資料的打亂方式，可能會導致與單次呼叫 fit 時不同的解。

averagebool 或 int，預設值為 False

當設為 True 時，會計算平均 SGD 權重，並將結果儲存在 coef_ 屬性中。如果設為大於 1 的整數，則在看到的樣本總數達到 average 後開始平均。因此，average=10 將在看到 10 個樣本後開始平均。

在版本 0.19 中新增: 參數 average 以在 SGD 中使用權重平均。

屬性:

coef_array，形狀 = [1, n_features] 如果 n_classes == 2，否則為 [n_classes, n_features]: 指派給特徵的權重。
intercept_array，形狀 = [1] 如果 n_classes == 2，否則為 [n_classes]: 決策函數中的常數。
n_features_in_int: 在 fit 期間看到的特徵數量。

在版本 0.24 中新增。
feature_names_in_形狀為 (n_features_in_,) 的 ndarray: 在 fit 期間看到的特徵名稱。僅當 X 具有全部為字串的特徵名稱時才定義。

在版本 1.0 中新增。
n_iter_int: 達到停止條件的實際迭代次數。
t_int: 訓練期間執行的權重更新次數。與 (n_iter_ * n_samples + 1) 相同。

另請參閱

SGDRegressor: 透過使用 SGD 最小化正規化經驗損失來擬合的線性模型。

參考文獻

線上被動積極演算法 <http://jmlr.csail.mit.edu/papers/volume7/crammer06a/crammer06a.pdf> K. Crammer, O. Dekel, J. Keshat, S. Shalev-Shwartz, Y. Singer - JMLR (2006)。

範例

>>> from sklearn.linear_model import PassiveAggressiveRegressor
>>> from sklearn.datasets import make_regression

>>> X, y = make_regression(n_features=4, random_state=0)
>>> regr = PassiveAggressiveRegressor(max_iter=100, random_state=0,
... tol=1e-3)
>>> regr.fit(X, y)
PassiveAggressiveRegressor(max_iter=100, random_state=0)
>>> print(regr.coef_)
[20.48736655 34.18818427 67.59122734 87.94731329]
>>> print(regr.intercept_)
[-0.02306214]
>>> print(regr.predict([[0, 0, 0, 0]]))
[-0.02306214]

densify()[原始碼]#

將係數矩陣轉換為密集陣列格式。

將 coef_ 成員（還原）轉換為 numpy.ndarray。這是 coef_ 的預設格式，並且是擬合所必需的，因此只有在先前被稀疏化的模型上才需要呼叫此方法；否則，它是一個空操作。

回傳：

self: 已擬合的估計器。

fit(X, y, coef_init=None, intercept_init=None)[原始碼]#

使用被動-積極演算法擬合線性模型。

參數:

X{類陣列, 稀疏矩陣}，形狀為 (n_samples, n_features): 訓練資料。
y形狀為 [n_samples] 的 numpy 陣列: 目標值。
coef_init陣列，形狀 = [n_features]: 用於熱啟動最佳化的初始係數。
intercept_init陣列，形狀 = [1]: 用於熱啟動最佳化的初始截距。

回傳：

self物件: 已擬合的估計器。

get_metadata_routing()[原始碼]#

取得此物件的中繼資料路由。

請查看使用者指南，瞭解路由機制如何運作。

回傳：

routingMetadataRequest: 一個封裝路由資訊的 MetadataRequest。

get_params(deep=True)[原始碼]#

取得此估計器的參數。

參數:

deepbool，預設為 True: 若為 True，則將回傳此估計器和包含的子物件（屬於估計器）的參數。

回傳：

paramsdict: 參數名稱對應至其值。

partial_fit(X, y)[原始碼]#

使用被動-積極演算法擬合線性模型。

參數:

X{類陣列, 稀疏矩陣}，形狀為 (n_samples, n_features): 訓練資料的子集。
y形狀為 [n_samples] 的 numpy 陣列: 目標值的子集。

回傳：

self物件: 已擬合的估計器。

predict(X)[原始碼]#

使用線性模型進行預測。

參數:

X{類陣列, 稀疏矩陣}，形狀為 (n_samples, n_features): 輸入資料。

回傳：

形狀為 (n_samples,) 的 ndarray: 每個 X 元素預測的目標值。

score(X, y, sample_weight=None)[原始碼]#

回傳預測的判定係數。

判定係數 $R^2$ 定義為 $(1 - \frac{u}{v})$，其中 $u$ 是殘差平方和 ((y_true - y_pred)** 2).sum()，而 $v$ 是總平方和 ((y_true - y_true.mean()) ** 2).sum()。最佳分數為 1.0，且可能是負數（因為模型可能非常差）。一個總是預測 y 的期望值、忽略輸入特徵的恆定模型將會得到 0.0 的 $R^2$ 分數。

參數:

X類陣列，形狀為 (n_samples, n_features): 測試樣本。對於某些估計器，這可能是一個預先計算的核矩陣或形狀為 (n_samples, n_samples_fitted) 的通用物件列表，其中 n_samples_fitted 是估計器擬合中使用的樣本數。
y類陣列，形狀為 (n_samples,) 或 (n_samples, n_outputs): X 的真實值。
sample_weight類陣列，形狀為 (n_samples,)，預設為 None: 樣本權重。

回傳：

score浮點數: self.predict(X) 相對於 y 的 $R^2$。

注意事項

在回歸器上呼叫 score 時使用的 $R^2$ 分數，從 0.23 版本開始使用 multioutput='uniform_average'，以便與 r2_score 的預設值保持一致。這會影響所有多輸出回歸器的 score 方法（MultiOutputRegressor 除外）。

set_fit_request(*, coef_init: bool | None | str = '$UNCHANGED$', intercept_init: bool | None | str = '$UNCHANGED$') → PassiveAggressiveRegressor[原始碼]#

請求傳遞給 fit 方法的中繼資料。

請注意，只有在 enable_metadata_routing=True 時，此方法才相關 (請參閱 sklearn.set_config)。請參閱關於路由機制如何運作的使用者指南。

每個參數的選項如下

True：要求中繼資料，並在提供時傳遞給 fit。如果未提供中繼資料，則會忽略此請求。
False：不要求中繼資料，且元估計器不會將其傳遞給 fit。
None：不要求中繼資料，且如果使用者提供，元估計器會引發錯誤。
str：應使用此給定的別名而不是原始名稱，將中繼資料傳遞給元估計器。

預設值 (sklearn.utils.metadata_routing.UNCHANGED) 會保留現有的請求。這可讓您變更某些參數的請求，而保持其他參數不變。

於 1.3 版新增。

注意

只有當此估計器用作元估計器的子估計器時，例如在 Pipeline 內使用時，此方法才相關。否則它不會產生任何作用。

參數:

coef_initstr、True、False 或 None，預設值 = sklearn.utils.metadata_routing.UNCHANGED: fit 中 coef_init 參數的中繼資料路由。
intercept_initstr、True、False 或 None，預設值 = sklearn.utils.metadata_routing.UNCHANGED: fit 中 intercept_init 參數的中繼資料路由。

回傳：

self物件: 已更新的物件。

set_params(**params)[原始碼]#

設定此估計器的參數。

此方法適用於簡單的估計器以及巢狀物件 (例如 Pipeline)。後者具有 <component>__<parameter> 形式的參數，因此可以更新巢狀物件的每個元件。

參數:

**paramsdict: 估計器參數。

回傳：

self估計器實例: 估計器實例。

set_partial_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → PassiveAggressiveRegressor[原始碼]#

請求傳遞給 partial_fit 方法的中繼資料。

請注意，只有在 enable_metadata_routing=True 時，此方法才相關 (請參閱 sklearn.set_config)。請參閱關於路由機制如何運作的使用者指南。

每個參數的選項如下

True：要求中繼資料，並在提供時傳遞給 partial_fit。如果未提供中繼資料，則會忽略此請求。
False：不請求元數據，且元估計器不會將其傳遞給 partial_fit。
None：不要求中繼資料，且如果使用者提供，元估計器會引發錯誤。
str：應使用此給定的別名而不是原始名稱，將中繼資料傳遞給元估計器。

預設值 (sklearn.utils.metadata_routing.UNCHANGED) 會保留現有的請求。這可讓您變更某些參數的請求，而保持其他參數不變。

於 1.3 版新增。

注意

只有當此估計器用作元估計器的子估計器時，例如在 Pipeline 內使用時，此方法才相關。否則它不會產生任何作用。

參數:

sample_weightstr、True、False 或 None，預設值為 sklearn.utils.metadata_routing.UNCHANGED: 用於 partial_fit 中 sample_weight 參數的元數據路由。

回傳：

self物件: 已更新的物件。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → PassiveAggressiveRegressor[原始碼]#

請求傳遞至 score 方法的元數據。

請注意，只有在 enable_metadata_routing=True 時，此方法才相關 (請參閱 sklearn.set_config)。請參閱關於路由機制如何運作的使用者指南。

每個參數的選項如下

True：請求元數據，並在提供時傳遞給 score。如果未提供元數據，則會忽略請求。
False：不請求元數據，且元估計器不會將其傳遞給 score。
None：不要求中繼資料，且如果使用者提供，元估計器會引發錯誤。
str：應使用此給定的別名而不是原始名稱，將中繼資料傳遞給元估計器。

預設值 (sklearn.utils.metadata_routing.UNCHANGED) 會保留現有的請求。這可讓您變更某些參數的請求，而保持其他參數不變。

於 1.3 版新增。

注意

只有當此估計器用作元估計器的子估計器時，例如在 Pipeline 內使用時，此方法才相關。否則它不會產生任何作用。

參數:

sample_weightstr、True、False 或 None，預設值為 sklearn.utils.metadata_routing.UNCHANGED: 用於 score 中 sample_weight 參數的元數據路由。

回傳：

self物件: 已更新的物件。

sparsify()[原始碼]#

將係數矩陣轉換為稀疏格式。

將 coef_ 成員轉換為 scipy.sparse 矩陣，對於 L1 正則化的模型，這比通常的 numpy.ndarray 表示法更節省記憶體和儲存空間。

不會轉換 intercept_ 成員。

回傳：

self: 已擬合的估計器。

注意事項

對於非稀疏模型，即當 coef_ 中沒有太多零時，這實際上可能會增加記憶體使用量，因此請謹慎使用此方法。一個經驗法則是，零元素的數量（可以使用 (coef_ == 0).sum() 計算）必須超過 50% 才能提供顯著的好處。

在呼叫此方法後，在您呼叫 densify 之前，使用 partial_fit 方法（如果有）進一步擬合將無法運作。