sklearn.svm.LinearSVR¶

class sklearn.svm.LinearSVR(*, epsilon=0.0, tol=0.0001, C=1.0, loss='epsilon_insensitive', fit_intercept=True, intercept_scaling=1.0, dual=True, verbose=0, random_state=None, max_iter=1000)

源码

线性支持向量回归。

类似于带有参数kernel ='linear'的SVR，但它是根据liblinear而不是libsvm来实现的，因此它在选择惩罚函数和损失函数时具有更大的灵活性，能够更好的适应大量的样本。

这个类同时支持连续数据和离散数据。

在用户指南中阅读更多内容。

版本0.16中的新功能。

参数	说明
epsilon	浮点数, 默认= 0.0 Epsilon参数作用于对ε不敏感的损失函数中。注意，该参数的值取决于目标变量y的尺度，如果不确定，请设置`epsilon=0`。
tol	浮点数，默认= 1e-4 残差收敛条件。
C	浮点数，默认= 1.0 正则化参数。正则化的强度与C成反比。必须严格为正。
loss	{'epsilon_insensitive'，'squared_epsilon_insensitive'}，默认='epsilon_insensitive' 指定损失函数。对ε不敏感的损失函数（标准SVR）为L1损失，而对ε不敏感的平方损失函数（“ squared_epsilon_insensitive”）为L2损失。
fit_intercept	布尔值，默认=True 是否计算该模型的截距项。如果设置为false，则在计算中将不使用截距项（也就是说数据应已居中）。
intercept_scaling	浮点数，默认=1 当self.fit_intercept为True时，实例向量x变为[x，self.intercept_scaling]，即在实例向量上附加一个定值为intercept_scaling的“合成”特征。请注意，截距项将变为intercept_scaling*综合特征权重与所有其他特征一样，合成特征权重也要经过l1 / l2正则化。为了减轻正则化对合成特征权重（同时也对对截距项）的影响，必须增加intercept_scaling。
dual	布尔值，默认= True 选择使用什么算法来解决对偶或原始优化问题。当n_samples> n_features时，首选dual = False。
verbose	整数型，默认值= 0 是否启用详细输出。请注意，此参数针对liblinear中运行每个进程时设置，如果启用，则可能无法在多线程上下文中正常工作。
random_state	整数型或RandomState的实例，默认=None 控制用于数据抽取时的伪随机数生成。在多个函数调用之间传递可重复输出的整数值。请参阅词汇表。
max_iter	整数值，默认= 1000 要运行的最大迭代次数。

属性	说明
coef_	当n_classes == 2时是形状为（n_features）的数组，否则是形状为（n_classes，n_features）的数组分配给特征的权重（原始问题的系数），仅在线性内核的情况下可用。`coef_`是一个继承自`raw_coef_`的只读属性，它遵循liblinear的内部存储器布局。
intercept_	当n_classes == 2时为(1)的数组，否则为(n_classes)的数组决策函数中的常量。
n_iter_	整数型所有类的最大迭代次数。

另见：

LinearSVC

使用与该类相同的库实现支持向量机分类器（liblinear）。

SVR

使用libsvm实现支持向量机回归：内核可以是非线性的，但是它的SMO算法不能像LinearSVC那样扩展到大量样本。

sklearn.linear_model.SGDRegressor

SGDRegressor可以通过调整惩罚和损失参数来优化与LinearSVR相同的成本函数。另外，它需要更少的内存，允许增量（在线）学习，并实现各种损失函数和正则化机制。

示例：

>>> from sklearn.svm import LinearSVR
>>> from sklearn.pipeline import make_pipeline
>>> from sklearn.preprocessing import StandardScaler
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(n_features=4, random_state=0)
>>> regr = make_pipeline(StandardScaler(),
...                      LinearSVR(random_state=0, tol=1e-5))
>>> regr.fit(X, y)
Pipeline(steps=[('standardscaler', StandardScaler()),
                ('linearsvr', LinearSVR(random_state=0, tol=1e-05))])

>>> print(regr.named_steps['linearsvr'].coef_)
[18.582... 27.023... 44.357... 64.522...]
>>> print(regr.named_steps['linearsvr'].intercept_)
[-4...]
>>> print(regr.predict([[0, 0, 0, 0]]))
[-2.384...]

方法

方法	说明
`fit`（X，y [，sample_weight]）	根据给定的训练数据拟合模型
`get_params`（[deep]）	获取当前估计量的参数
`predict`（X）	使用线性模型进行预测
`score`（X，y [，sample_weight]）	返回预测的决定系数R ^ 2
`set_params`（**params）	设置当前估计量的参数。

__init__(*, epsilon=0.0, tol=0.0001, C=1.0, loss='epsilon_insensitive', fit_intercept=True, intercept_scaling=1.0, dual=True, verbose=0, random_state=None, max_iter=1000

源码

初始化self。请参阅help(type(self)获取准确的说明。

fit(X, y, sample_weight=None)

源码

根据给定的训练数据拟合模型。

参数：	说明
X	形如(n_samples, n_features)的数组或者稀疏矩阵训练向量，其中样本数量中的n_samples和n_features为feature的数量
y	形如 (n_samples,)的数组相对于X的目标向量
sample_weight	形如(n_samples,)的数组, 默认=None 分配给单个样本的权重数组。如果没有提供，则每个样品都给予单位权重。新版本0.18

返回值	说明
self	object 估计器的一个实例。

get_params(deep=True)

获取当前估计量的参数

参数	说明
deep	bool, default = True 如果为真，则将返回此估计器和其所包含子对象的参数

返回值	说明
params	mapping of string to any 参数名被映射至他们的值

predict(X)

[源码]

使用线性模型进行预测。

参数	说明
X	形如(n_samples, n_features)的数组或者稀疏矩阵样本

返回值	说明
C	形如(n_samples,)的数组返回预测的值

score(X, y, sample_weight=None)

[源码]

返回预测的决定系数R^2。

定义决定系数R^2为(1 - u/v)，其中u为(y_true - y_pred) ** 2).sum()的残差平方和，v为(y_true - y_true.mean()) ** 2).sum()的平方和。最好的分数可能是1.0，同时它可能是负的(因为模型可以任意地更糟)。一个常数模型总是预测y的期望值，而不考虑输入特征，得到的R^2值为0.0。

参数	说明
X	形如 (n_samples, n_features)的数组测试样本。对于某些估计器，这可能是一个预先计算的内核矩阵或一列通用对象，而不是形状为(n_samples, n_samples_fitting)的数组，其中n_samples_fitting是用于拟合估计器的样本数量。
y	形如(n_samples,) 或者 (n_samples, n_outputs)的数组 X中结果为真的标签
sample_weight	形如(n_samples,)的数组，默认=None 样本的权重

返回值	说明
score	浮点数 self.predict(X) wrt. y的R^2

注：

调用回归变量上的score时，使用的R2 score(0.23版本)中的multioutput='uniform_average'来保持与r2_score的默认值一致。这影响了所有多输出回归的score方法(除了 MultiOutputRegressor)。

set_params(**params)

该方法适用于简单估计器和嵌套对象(如管道)。后者具有形式为 <component>__<parameter>的参数，这样就可以更新嵌套对象的每个组件。

参数	说明
params	字典估算器参数

返回值	说明
self	object 估算器实例