sklearn.linear_model.Perceptron¶
class sklearn.linear_model.Perceptron(*, penalty=None, alpha=0.0001, 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)
在用户指南中阅读更多内容。
| 参数 | 说明 |
|---|---|
| penalty | {‘l2’,’l1’,’elasticnet’}, default=None 要使用的惩罚（又称正则化）。 |
| alpha | float, default=0.0001 如果使用正则化，则乘以正则化项的常数。 |
| fit_intercept | bool, default=True 是否估计截距。如果为False，则假定数据已经中心化。 |
| max_iter | int, default=1000 训练数据的最大迭代次数（又称历元）。它只会影响 fit方法中的行为，而不会影响 partial_fit方法。 |
| tol | float, default=1e-3 停止标准。如果不是None，则迭代将在（loss> previous_loss-tol）时停止。 0.19版本中的新功能。 |
| shuffle | bool, default=True 在每次迭代之后是否重新整理训练数据。 |
| verbose | int, default=0 输出日志的详细程度 |
| eta0 | double, default=1 更新乘以的常数。 |
| n_jobs | int, default=None 用于执行OVA（对于多类问题而言为“一个对所有”）的CPU内核数。除非设置了 joblib.parallel_backend 参数，否则None表示1 。 -1表示使用所有处理器。有关更多详细信息，请参见词汇表。 |
| random_state | int, RandomState instance, default=None 用于打乱训练数据，当 shuffle设置为 True。可以用一个整数为多个函数调用传递重复的输出。请参阅词汇表。 |
| early_stopping | bool, default=False 是否使用验证提前停止终止训练。如果设置为True，它将自动将训练数据的分层部分留作验证，并在连续n_iter_no_change次的验证分数没有提高至少tol时终止训练。 0.20版中的新功能。 |
| validation_fraction | float, default=0.1 预留的作为早期停止的验证集的训练数据比例。必须在0到1之间。仅当early_stopping为True时使用。 0.20版中的新功能。 |
| n_iter_no_change | int, default=5 在提前停止之前没有提升的迭代次数。 0.20版中的新功能。 |
| class_weight | dict, {class_label: weight} or “balanced”, default=None class_weight fit参数的预设值。 类别关联的权重。如果没有给出，所有类别的权重都应该是1。 “balanced”模式使用y的值来自动调整为与输入数据中的类频率成反比的权重。如 n_samples / (n_classes * np.bincount(y)) |
| warm_start | bool, default=False 设置为True时，重用前面调用的解决方案来进行初始化，否则，只清除前面的解决方案。请参阅词汇表。 |
| 属性 | 说明 |
|---|---|
| coef_ | ndarray of shape = [1, n_features] if n_classes == 2 else [n_classes, n_features] 分配给特征的权重。 |
| intercept_ | ndarray of shape = [1] if n_classes == 2 else [n_classes] 决策函数中的常量。 |
| n_iter_ | int 达到停止标准的实际迭代次数。对于多类拟合，它是每个二进制拟合的最大值。 |
| classes_ | ndarray of shape (n_classes,) 非重复的类标签。 |
| t_ | int 训练期间进行权重更新的次数。与 (n_iter_ * n_samples)相同。 |
另见
注
Perceptron是一种分类算法，与SGDClassifier有相同的底层实现。事实上 Perceptron()等同于SGDClassifier(loss="perceptron", eta0=1, learning_rate="constant", penalty=None)。
参考
https://en.wikipedia.org/wiki/Perceptron及其参考。
示例
>>> 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...
方法
| 方法 | 说明 |
|---|---|
decision_function(self, X) |
预测样本的置信度得分。 |
densify(self) |
将系数矩阵转换为密集数组格式。 |
fit(self, X, y[, coef_init, intercept_init, …]) |
用随机梯度下降拟合线性模型。 |
get_params(self[, deep]) |
获取此估计器的参数。 |
partial_fit(self, X, y[, classes, sample_weight]) |
对给定的样本进行一次随机梯度下降。 |
predict(self, X) |
预测X中样本的类别标签。 |
score(self, X, y[, sample_weight]) |
返回给定测试数据和标签上的平均准确度。 |
set_params(self, **kwargs) |
设置并验证估计器的参数。 |
sparsify(self) |
将系数矩阵转换为稀疏格式。 |
__init__(self, *, penalty=None, alpha=0.0001, 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)
初始化self， 请参阅help(type(self))以获得准确的说明。
decision_function(self, X)
预测样本的置信度得分。
样本的置信度分数是该样本到超平面的符号距离。
| 参数 | 说明 |
|---|---|
| X | array_like or sparse matrix, shape (n_samples, n_features) 样本数据。 |
| 返回值 | 说明 |
|---|---|
| array, shape=(n_samples,) if n_classes == 2 else (n_samples, n_classes) 每个（样本，类别）组合的置信度得分。在二分类情况下，self.classes_ [1]的置信度得分> 0表示将预测该类。 |
densify(self)
将系数矩阵转换为密集数组格式。
将coef_数值（返回）转换为numpy.ndarray。这是coef_的默认格式，并且是拟合模型所需的格式，因此仅在之前被稀疏化的模型上才需要调用此方法。否则，它是无操作的。
| 返回值 | 说明 |
|---|---|
| self | 拟合估计器。 |
fit(self, X, y, coef_init=None, intercept_init=None, sample_weight=None)
[源码]
用随机梯度下降拟合线性模型。
| 参数 | 说明 |
|---|---|
| X | {array-like, sparse matrix} of shape (n_samples, n_features) 训练数据 |
| y | array-like of shape (n_samples,) 目标标签。 |
| coef_init | ndarray of shape (n_classes, n_features), default=None 用于热启动优化的初始系数。 |
| intercept_init | ndarray of shape (n_classes,), default=None 初始截距以热启动优化。 |
| sample_weight | array-like, shape (n_samples,), default=None 权重应用于各个样本。如果未提供，则假定权重相同。如果指定了class_weight，则这些权重将与class_weight（通过构造函数传递）相乘。 |
| 返回值 | 说明 |
|---|---|
| self | 返回self的实例。 |
get_params（self，deep = True ）
[源码]
获取此估计器的参数。
| 参数 | 说明 |
|---|---|
| deep | bool, default=True 如果为True，返回此估计器和所包含子对象的参数。 |
| 返回值 | 说明 |
|---|---|
| params | mapping of string to any 参数名称映射到其值。 |
partial_fit(self, X, y, classes=None, sample_weight=None)
[源码]
对给定的样本进行一次随机梯度下降。
在内部，此方法使用max_iter = 1。因此，不能保证调用一次后达到损失函数的最小值。目标收敛、提前停止等问题由用户自行处理。
| 参数 | 说明 |
|---|---|
| X | {array-like, sparse matrix}, shape (n_samples, n_features) 训练数据的子集 |
| y | ndarray of shape (n_samples,) 目标值的子集 |
| classes | ndarray of shape (n_classes,), default=None partial_fit调用中所有的类。可以通过 np.unique(y_all)获得，其中y_all是整个数据集的目标向量。第一次调用partial_fit时需要此参数，在后续调用中可以将其省略。请注意，y不需要包含classes中的所有标签。 |
| sample_weight | array-like, shape (n_samples,), default=None 权重应用于各个样本。如果未提供，则假定权重相同。 |
| 返回值 | 说明 |
|---|---|
| self | 返回self的实例。 |
predict(self, X)
[源码]
预测X中样本的类别标签。
| 参数 | 说明 |
|---|---|
| X | array_like or sparse matrix, shape (n_samples, n_features) 样本数据 |
| 返回值 | 说明 |
|---|---|
| C | array, shape [n_samples] 每个样本的预测类别标签。 |
score（self，X，y，sample_weight = None ）
[源码]
返回给定测试数据和标签上的平均准确度。
在多标签分类中，这是子集准确性，这是一个严格的指标，因为你需要为每个样本正确预测对应的标签集。
| 参数 | 说明 |
|---|---|
| X | array-like of shape (n_samples, n_features) 测试样本。 |
| y | array-like of shape (n_samples,) or (n_samples, n_outputs) X的真实标签。 |
| sample_weight | array-like of shape (n_samples,), default=None 样本权重。 |
| 返回值 | 说明 |
|---|---|
| score | float 预测标签与真实标签的平均准确度 |
set_params(self, **kwargs)
[源码]
设置并验证估计器的参数。
| 参数 | 说明 |
|---|---|
| **kwargs | dict 估计器参数。 |
| 返回值 | 说明 |
|---|---|
| self | object 估计器实例。 |
sparsify(self)
[源码]
将系数矩阵转换为稀疏格式。
将coef_数值转换为scipy.sparse矩阵，对于L1正规化的模型，该矩阵比通常的numpy.ndarray具有更高的内存和存储效率。
该intercept_数值未转换。
| 返回值 | 说明 |
|---|---|
| self | 拟合估计器。 |
注
对于非稀疏模型，即当coef_中零的个数不多时，这实际上可能会增加内存使用量，因此请谨慎使用此方法。经验法则是，可以使用(coef_ == 0).sum()计算得到的零元素的数量必须大于50％，这时的效果是显着的。
在调用densify之前，调用此方法将无法进一步使用partial_fit方法（如果有）。
