OneClassSVM#

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

非監督式離群值偵測。

估計高維度分佈的支撐。

此實作基於 libsvm。

詳情請參閱使用者指南。

參數:
kernel{‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’} 或可調用物件, default=’rbf’

指定演算法中使用的核函數類型。如果未指定，將使用 ‘rbf’。如果給定可調用物件，則用於預先計算核矩陣。

degreeint, default=3

多項式核函數（‘poly’）的次數。必須是非負數。所有其他核函數都會忽略此參數。

gamma{‘scale’, ‘auto’} 或 float, default=’scale’

用於 ‘rbf’、‘poly’ 和 ‘sigmoid’ 的核函數係數。

  • 如果傳遞 gamma='scale'（預設值），則它會使用 1 / (n_features * X.var()) 作為 gamma 的值，

  • 如果為 ‘auto’，則使用 1 / n_features

  • 如果為 float，則必須是非負數。

在 0.22 版變更: gamma 的預設值從 ‘auto’ 變更為 ‘scale’。

coef0float, default=0.0

核函數中的獨立項。它僅在 ‘poly’ 和 ‘sigmoid’ 中有意義。

tolfloat, default=1e-3

停止條件的容差。

nufloat, default=0.5

訓練誤差的分數上限和支持向量的分數下限。應該在區間 (0, 1] 中。預設情況下將採用 0.5。

shrinkingbool, default=True

是否使用縮減啟發式演算法。請參閱使用者指南。

cache_sizefloat, default=200

指定核心快取的記憶體大小 (以 MB 為單位)。

verbosebool, default=False

啟用詳細輸出。請注意，此設定會利用 libsvm 中每個處理序的執行階段設定，如果啟用此設定，則可能無法在多執行緒環境中正常運作。

max_iterint, default=-1

求解器內迭代的硬性限制，如果為 -1，則表示沒有限制。

屬性:
coef_形狀為 (1, n_features) 的 ndarray

當 kernel="linear" 時，分配給特徵的權重。

dual_coef_形狀為 (1, n_SV) 的 ndarray

決策函數中支持向量的係數。

fit_status_int

如果正確擬合，則為 0，否則為 1（將引發警告）

intercept_形狀為 (1,) 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。

在 0.24 版中新增。

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 具有全部都是字串的特徵名稱時，才會定義。

在 1.0 版中新增。

n_iter_int

執行最佳化常式以擬合模型的迭代次數。

在 1.1 版中新增。

n_support_形狀為 (n_classes,)、dtype=int32 的 ndarray

每個類別的支持向量數量。

offset_float

用於從原始分數定義決策函數的偏移量。我們有以下關係：decision_function = score_samples - offset_。偏移量與 intercept_ 相反，並為了與其他離群值偵測演算法保持一致而提供。

在 0.20 版中新增。

shape_fit_形狀為 (n_dimensions_of_X,) 的 int 元組

訓練向量 X 的陣列維度。

support_形狀為 (n_SV,) 的 ndarray

支持向量的索引。

support_vectors_形狀為 (n_SV, n_features) 的 ndarray

支持向量。

另請參閱

sklearn.linear_model.SGDOneClassSVM

使用隨機梯度下降法求解線性單類別 SVM。

sklearn.neighbors.LocalOutlierFactor

使用局部離群因子 (LOF) 進行非監督式離群值偵測。

sklearn.ensemble.IsolationForest

隔離森林演算法。

範例

>>> from sklearn.svm import OneClassSVM
>>> X = [[0], [0.44], [0.45], [0.46], [1]]
>>> clf = OneClassSVM(gamma='auto').fit(X)
>>> clf.predict(X)
array([-1,  1,  1,  1, -1])
>>> clf.score_samples(X)
array([1.7798..., 2.0547..., 2.0556..., 2.0561..., 1.7332...])

如需更詳盡的範例，請參閱物種分佈建模

property coef_#

當 kernel="linear" 時，分配給特徵的權重。

傳回:
形狀為 (n_features, n_classes) 的 ndarray
decision_function(X)[原始碼]#

到分離超平面的帶符號距離。

帶符號距離對於內部點為正，對於離群值為負。

參數:
X形狀為 (n_samples, n_features) 的類陣列

資料矩陣。

傳回:
dec形狀為 (n_samples,) 的 ndarray

傳回樣本的決策函數。

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

偵測樣本集 X 的軟邊界。

參數:
X形狀為 (n_samples, n_features) 的類陣列 (array-like) 或稀疏矩陣 (sparse matrix)

樣本集，其中 n_samples 是樣本數，n_features 是特徵數。

y已忽略

未使用，為了 API 的一致性而存在。

sample_weight形狀為 (n_samples,) 的類陣列，預設值為 None

每個樣本的權重。調整每個樣本的 C 值。較高的權重會迫使分類器更重視這些點。

傳回:
self物件

已擬合的估計器。

注意事項

如果 X 不是 C 順序的連續陣列，則會被複製。

fit_predict(X, y=None, **kwargs)[原始碼]#

對 X 執行擬合，並返回 X 的標籤。

離群值返回 -1，內群值返回 1。

參數:
X形狀為 (n_samples, n_features) 的類陣列 (array-like) 或稀疏矩陣 (sparse matrix)

輸入的樣本。

y已忽略

未使用，為了 API 的一致性而存在。

**kwargs字典

要傳遞給 fit 的引數。

在 1.4 版本中新增。

傳回:
y形狀為 (n_samples,) 的 ndarray

內群值為 1，離群值為 -1。

get_metadata_routing()[原始碼]#

取得此物件的中繼資料路由。

請查閱 使用者指南 以了解路由機制如何運作。

傳回:
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:
deep布林值，預設值為 True

如果為 True，將返回此估計器和包含的子物件（為估計器）的參數。

傳回:
params字典

參數名稱對應到它們的值。

property n_support_#

每個類別的支持向量數量。

predict(X)[原始碼]#

對 X 中的樣本執行分類。

對於單類模型，返回 +1 或 -1。

參數:
X形狀為 (n_samples, n_features) 或 (n_samples_test, n_samples_train) 的類陣列或稀疏矩陣

對於 kernel=”precomputed”，X 的預期形狀為 (n_samples_test, n_samples_train)。

傳回:
y_pred形狀為 (n_samples,) 的 ndarray

X 中樣本的類別標籤。

score_samples(X)[原始碼]#

樣本的原始評分函數。

參數:
X形狀為 (n_samples, n_features) 的類陣列

資料矩陣。

傳回:
score_samples形狀為 (n_samples,) 的 ndarray

返回樣本的（未偏移）評分函數。

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → OneClassSVM[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 使用者指南 以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，如果提供，則會傳遞給 fit。如果未提供中繼資料，則忽略該請求。

  • False：不請求中繼資料，並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，元估計器將引發錯誤。

  • str：應該使用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）保留現有的請求。這使您可以變更某些參數的請求，而無需變更其他參數。

在 1.3 版本中新增。

注意事項

只有在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 中使用。否則它沒有任何作用。

參數:
sample_weightstr、True、False 或 None，預設值為 sklearn.utils.metadata_routing.UNCHANGED

fit 中 sample_weight 參數的中繼資料路由。

傳回:
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組件。

參數:
**params字典

估計器參數。

傳回:
self估計器實例

估計器實例。