sklearn.linear_model.PassiveAggressiveRegressor¶

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)

[源码]

被动攻击回归。

在[用户指南](http://scikit-learn.org.cn/view/4.html#1.1.15%20%E8%A2%AB%E5%8A%A8%E6%94%BB%E5%87%BB%E7%AE%97%E6%B3%95(Passive%20Aggressive%20Algorithms))中阅读更多内容。

参数	说明
C	float 最大步长（正则化）。默认为1.0。
fit_intercept	bool 是否应该估计截距。如果为False，则假定数据已经中心化。默认为True。
max_iter	int, optional (default=1000) 通过训练数据的最大次数（又称阶段）。它只会影响`fit`方法中的行为，而不会影响 `partial_fit`方法。版本0.19中的新功能。
tol	float or None, optional (default=1e-3) 停止标准。如果不是None，则当（eploss> best_loss-tol）时迭代将停止。版本0.19中的新功能。
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的`score`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 预留的训练数据比例作为早期停止的验证集。必须介于0和1之间。仅在`early_stopping`为True时使用。 0.20版中的新功能。
n_iter_no_change	int, default=5 迭代次数，结果没有改善，可以提前停止。 0.20版中的新功能。
shuffle	bool, default=True 在每次迭代之后是否重新打乱训练数据。
verbose	integer, optional 日志的详细程度
loss	string, optional 所使用的损耗函数：epsilon_insensitive：等效于参考文件中的PA-1。squared_epsilon_insensitive：等效于参考文件中的PA-II。
epsilon	float 如果当前预测和正确标签之间的差异低于此阈值，则不会更新模型。
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。
warm_start	bool, optional 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。
average	bool or int, optional 设置为True时，将计算平均SGD权重并将结果存储在`coef_`属性中。如果将int设置为大于1，则一旦看到的样本总数达到平均值就会开始平均。如`average=10`，将在看到10个样本后开始平均。版本0.19中的新功能：参数平均值使用SGD中的权重平均值

属性	说明
coef_	array, shape = [1, n_features] if n_classes == 2 else [n_classes, n_features] 分配给特征的权重。
intercept_	array, shape = [1] if n_classes == 2 else [n_classes] 决策函数中的常数项。
n_iter_	int 达到停止标准的实际迭代次数。
t_	int 训练期间进行的权重更新次数，与`(n_iter_ * n_samples)`相同。

另见：

SGDRegressor

参考

Online Passive-Aggressive Algorithms http://jmlr.csail.mit.edu/papers/volume7/crammer06a/crammer06a.pdf K. Crammer, O. Dekel, J. Keshat, S. Shalev-Shwartz, Y. Singer - JMLR (2006)

示例

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

>>> 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]