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:
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]