Perceptron#
- 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)[source]#
線性感知器分類器。
此實作是
SGDClassifier的封裝器，將loss和learning_rate參數固定為SGDClassifier(loss="perceptron", learning_rate="constant")
其他可用的參數如下所述，並會轉發到
SGDClassifier。請參閱使用者指南以取得更多資訊。
- 參數:
- penalty{‘l2’,’l1’,’elasticnet’}, default=None
要使用的懲罰（又稱正規化項）。
- alphafloat, default=0.0001
如果使用正規化，則乘以正規化項的常數。
- l1_ratiofloat, default=0.15
彈性網的混合參數，其中
0 <= l1_ratio <= 1。l1_ratio=0對應於 L2 懲罰，l1_ratio=1對應於 L1。 僅在penalty='elasticnet'時使用。於 0.24 版本加入。
- fit_interceptbool, default=True
是否應估計截距。如果為 False，則假設資料已置中。
- max_iterint, default=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。於 0.19 版本加入。
- tolfloat or None, default=1e-3
停止條件。 如果不是 None，當 (loss > previous_loss - tol) 時，迭代將會停止。
於 0.19 版本加入。
- shufflebool, default=True
在每個 epoch 後，是否應隨機排序訓練資料。
- verboseint, default=0
詳細程度。
- eta0float, default=1
更新時乘以的常數。
- n_jobsint, default=None
用於執行 OVA（One Versus All，針對多類別問題）計算的 CPU 數量。
None表示 1，除非在joblib.parallel_backend環境中。-1表示使用所有處理器。請參閱 詞彙表以取得更多詳細資訊。- random_stateint, RandomState instance or None, default=0
用於隨機排序訓練資料，當
shuffle設定為True時。傳遞一個整數，以便在多個函式呼叫中產生可重現的輸出。請參閱 詞彙表。- early_stoppingbool, default=False
是否使用提前停止來終止訓練，當驗證分數沒有改善時。如果設定為 True，它會自動預留一部分經過分層的訓練資料作為驗證集，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。於 0.20 版本加入。
- validation_fractionfloat, default=0.1
預留作為提前停止驗證集的訓練資料比例。必須介於 0 和 1 之間。僅在 early_stopping 為 True 時使用。
於 0.20 版本加入。
- n_iter_no_changeint, default=5
在提前停止前等待沒有改善的迭代次數。
於 0.20 版本加入。
- class_weightdict, {class_label: weight} or “balanced”, default=None
類別權重擬合參數的預設值。
與類別相關聯的權重。如果未給定，則假設所有類別的權重皆為 1。
「平衡」模式會使用 y 的值來自動調整權重，其權重與輸入資料中類別的頻率成反比，計算方式為
n_samples / (n_classes * np.bincount(y))。- warm_startbool，預設值為 False
當設定為 True 時，會重複使用前一次呼叫 fit 方法的解作為初始化，否則會清除先前的解。請參閱詞彙表。
- 屬性:
- classes_形狀為 (n_classes,) 的 ndarray
唯一的類別標籤。
- coef_若 n_classes == 2，則形狀為 (1, n_features) 的 ndarray；否則形狀為 (n_classes, n_features) 的 ndarray
分配給特徵的權重。
- intercept_若 n_classes == 2，則形狀為 (1,) 的 ndarray；否則形狀為 (n_classes,) 的 ndarray
決策函數中的常數。
- n_features_in_int
在 fit 期間看到的特徵數量。
於 0.24 版本加入。
- 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的特徵名稱都是字串時才會定義。在 1.0 版本新增。
- n_iter_int
達到停止條件的實際迭代次數。對於多類別擬合，它是每個二元擬合中的最大值。
- 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
sklearn.linear_model.SGDClassifier使用 SGD 訓練的線性分類器（SVM、邏輯迴歸等）。
注意事項
Perceptron是一個分類演算法，它與SGDClassifier共享相同的底層實作。事實上，Perceptron()等同於SGDClassifier(loss="perceptron", eta0=1, learning_rate="constant", penalty=None)。參考文獻
https://en.wikipedia.org/wiki/Perceptron 以及其中的參考文獻。
範例
>>> 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)[原始碼]#
預測樣本的信賴分數。
樣本的信賴分數與該樣本到超平面的有號距離成正比。
- 參數:
- X形狀為 (n_samples, n_features) 的 {類陣列, 稀疏矩陣}
我們想要取得信賴分數的資料矩陣。
- 回傳:
- scores形狀為 (n_samples,) 或 (n_samples, n_classes) 的 ndarray
每個
(n_samples, n_classes)組合的信賴分數。在二元情況下，self.classes_[1]的信賴分數，其中 > 0 表示將預測此類別。
- densify()[原始碼]#
將係數矩陣轉換為密集陣列格式。
將
coef_成員（返回）轉換為 numpy.ndarray。這是coef_的預設格式，並且是擬合所需的格式，因此只有在先前已稀疏化的模型上才需要呼叫此方法；否則，它不會執行任何操作。- 回傳:
- self
已擬合的估計器。
- fit(X, y, coef_init=None, intercept_init=None, sample_weight=None)[原始碼]#
使用隨機梯度下降擬合線性模型。
- 參數:
- X形狀為 (n_samples, n_features) 的 {類陣列, 稀疏矩陣}
訓練資料。
- y形狀為 (n_samples,) 的 ndarray
目標值。
- coef_init形狀為 (n_classes, n_features) 的 ndarray，預設值為 None
用於熱啟動最佳化的初始係數。
- intercept_init形狀為 (n_classes,) 的 ndarray，預設值為 None
用於熱啟動最佳化的初始截距。
- sample_weight形狀為 (n_samples,) 的類陣列，預設值為 None
應用於個別樣本的權重。若未提供，則假設為均勻權重。如果指定了 class_weight，則這些權重將會與 class_weight（透過建構函式傳遞）相乘。
- 回傳:
- self物件
回傳 self 的實例。
- get_metadata_routing()[原始碼]#
取得此物件的中繼資料路由。
請檢查使用者指南，了解路由機制如何運作。
- 回傳:
- routingMetadataRequest
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，預設值為 True
如果為 True，則會回傳此估計器和所包含的子物件（估計器）的參數。
- 回傳:
- paramsdict
對應到其值的參數名稱。
- partial_fit(X, y, classes=None, sample_weight=None)[原始碼]#
在給定樣本上執行一次隨機梯度下降的迭代。
在內部，此方法使用
max_iter = 1。因此，不保證在呼叫一次後會達到成本函數的最小值。諸如目標收斂、提前停止和學習率調整等問題應由使用者處理。- 參數:
- X形狀為 (n_samples, n_features) 的 {類陣列, 稀疏矩陣}
訓練資料的子集。
- y形狀為 (n_samples,) 的 ndarray
目標值的子集。
- classes形狀為 (n_classes,) 的 ndarray，預設值為 None
所有 partial_fit 呼叫中的類別。可以透過
np.unique(y_all)取得，其中 y_all 是整個資料集的目標向量。此引數是第一次呼叫 partial_fit 時所需的，並且可以在後續呼叫中省略。請注意，y 不需要包含classes中的所有標籤。- sample_weight形狀為 (n_samples,) 的類陣列，預設值為 None
應用於個別樣本的權重。若未提供，則假設為均勻權重。
- 回傳:
- self物件
回傳 self 的實例。
- predict(X)[原始碼]#
預測 X 中樣本的類別標籤。
- 參數:
- X形狀為 (n_samples, n_features) 的 {類陣列, 稀疏矩陣}
我們想要取得預測值的資料矩陣。
- 回傳:
- y_pred形狀為 (n_samples,) 的 ndarray
包含每個樣本類別標籤的向量。
- score(X, y, sample_weight=None)[原始碼]#
回傳給定測試資料和標籤的平均準確度。
在多標籤分類中，這是子集準確度，這是一個嚴苛的指標，因為您需要每個樣本的每個標籤集都正確預測。
- 參數:
- X形狀為 (n_samples, n_features) 的類陣列
測試樣本。
- y類陣列，形狀為 (n_samples,) 或 (n_samples, n_outputs)
用於
X的真實標籤。- sample_weight類陣列，形狀為 (n_samples,)，預設為 None
樣本權重。
- 回傳:
- score浮點數
相對於
y，self.predict(X)的平均準確度。
- set_fit_request(*, coef_init: bool | None | str = '$UNCHANGED$', intercept_init: bool | None | str = '$UNCHANGED$', sample_weight: bool | None | str = '$UNCHANGED$') Perceptron[原始碼]#
請求傳遞給
fit方法的中繼資料。請注意，只有當
enable_metadata_routing=True時，此方法才相關 (請參閱sklearn.set_config)。請參閱 使用者指南，了解路由機制如何運作。每個參數的選項為
True：請求中繼資料，並在提供時傳遞給fit。如果未提供中繼資料，則會忽略請求。False：不請求中繼資料，且元估計器不會將其傳遞給fit。None：不請求中繼資料，如果使用者提供中繼資料，則元估計器會引發錯誤。str：應將中繼資料使用此給定的別名（而非原始名稱）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，而不會變更其他參數的請求。在 1.3 版中新增。
注意
僅當此估計器用作元估計器的子估計器時，此方法才相關，例如在
Pipeline內使用。否則，它不會產生任何影響。- 參數:
- coef_init字串、True、False 或 None，預設為 sklearn.utils.metadata_routing.UNCHANGED
用於
fit中coef_init參數的中繼資料路由。- intercept_init字串、True、False 或 None，預設為 sklearn.utils.metadata_routing.UNCHANGED
用於
fit中intercept_init參數的中繼資料路由。- sample_weight字串、True、False 或 None，預設為 sklearn.utils.metadata_routing.UNCHANGED
用於
fit中sample_weight參數的中繼資料路由。
- 回傳:
- self物件
更新後的物件。
- 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:
- **params字典
估計器參數。
- 回傳:
- self估計器執行個體
估計器執行個體。
- set_partial_fit_request(*, classes: bool | None | str = '$UNCHANGED$', sample_weight: bool | None | str = '$UNCHANGED$') Perceptron[原始碼]#
請求傳遞給
partial_fit方法的中繼資料。請注意，只有當
enable_metadata_routing=True時，此方法才相關 (請參閱sklearn.set_config)。請參閱 使用者指南，了解路由機制如何運作。每個參數的選項為
True：請求中繼資料，並在提供時傳遞給partial_fit。如果未提供中繼資料，則會忽略請求。False：不請求中繼資料，且元估計器不會將其傳遞給partial_fit。None：不請求中繼資料，如果使用者提供中繼資料，則元估計器會引發錯誤。str：應將中繼資料使用此給定的別名（而非原始名稱）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，而不會變更其他參數的請求。在 1.3 版中新增。
注意
僅當此估計器用作元估計器的子估計器時，此方法才相關，例如在
Pipeline內使用。否則，它不會產生任何影響。- 參數:
- classes字串、True、False 或 None，預設為 sklearn.utils.metadata_routing.UNCHANGED
用於
partial_fit中classes參數的中繼資料路由。- sample_weight字串、True、False 或 None，預設為 sklearn.utils.metadata_routing.UNCHANGED
用於
partial_fit中sample_weight參數的中繼資料路由。
- 回傳:
- self物件
更新後的物件。
- set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') Perceptron[原始碼]#
請求傳遞至
score方法的中繼資料。請注意，只有當
enable_metadata_routing=True時，此方法才相關 (請參閱sklearn.set_config)。請參閱 使用者指南，了解路由機制如何運作。每個參數的選項為
True：請求中繼資料，並在提供時傳遞至score。如果未提供中繼資料，則會忽略此請求。False：不請求中繼資料，並且 meta-estimator 不會將其傳遞至score。None：不請求中繼資料，如果使用者提供中繼資料，則元估計器會引發錯誤。str：應將中繼資料使用此給定的別名（而非原始名稱）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，而不會變更其他參數的請求。在 1.3 版中新增。
注意
僅當此估計器用作元估計器的子估計器時，此方法才相關，例如在
Pipeline內使用。否則，它不會產生任何影響。- 參數:
- sample_weight字串、True、False 或 None，預設為 sklearn.utils.metadata_routing.UNCHANGED
用於
score中sample_weight參數的中繼資料路由。
- 回傳:
- self物件
更新後的物件。
- 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 正規化的模型，這比一般的 numpy.ndarray 表示法在記憶體和儲存上更有效率。intercept_成員不會被轉換。- 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，使用 partial_fit 方法（如果有）進行進一步擬合將無法運作，直到您呼叫 densify 為止。
