sklearn.svm.NuSVC¶
class sklearn.svm.NuSVC(*, nu=0.5, kernel='rbf', degree=3, gamma='scale', coef0=0.0, shrinking=True, probability=False, tol=0.001, cache_size=200, class_weight=None, verbose=False, max_iter=-1, decision_function_shape='ovr', break_ties=False, random_state=None)
Nu支持向量分类。
与SVC相似，但使用参数来控制支持向量的数量。
该实现基于libsvm。
在用户指南中阅读更多内容。
| 参数 | 说明 |
|---|---|
| nu | 浮点数，默认=0.5 边界误差分数的上限(参见用户指南)和支持向量分数的下限。区间限定在(0,1)内。 |
| kernel | {‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’}, 默认=’rbf’ 指定算法中使用的内核类型。它必须是“linear”，“poly”，“rbf”，“sigmoid”，“precomputed”或者“callable”中的一个。如果没有给出，将默认使用“rbf”。如果给定了一个可调用函数，则用它来预先计算核矩阵。 |
| degree | 整数型，默认=3 多项式核函数的次数(' poly ')。将会被其他内核忽略。 |
| gamma | 浮点数或者{‘scale’, ‘auto’} , 默认=’scale’ 核系数包含‘rbf’, ‘poly’ 和‘sigmoid’ 如果gamma='scale'(默认)，则它使用1 / (n_features * X.var())作为gamma的值， 如果是auto，则使用1 / n_features。 在0.22版本有改动：默认的gamma从“auto”改为“scale”。 |
| coef0 | 浮点数，默认=0.0 核函数中的独立项。它只在' poly '和' sigmoid '中有意义。 |
| shrinking | 布尔值，默认=True 是否使用缩小启发式，参见使用指南 |
| probability | 布尔值，默认=False 是否启用概率估计。必须在调用fit之前启用此参数，因为该方法内部使用5折交叉验证，因此会减慢该方法的速度，并且predict_proba可能与dict不一致。 |
| tol | 浮点数，默认=1e-3 残差收敛条件。 |
| cache_size | 浮点数，默认=200 指定内核缓存的大小（以MB为单位）。 |
| class_weight | {dict, ‘balanced’}, 默认=None 在SVC中，将类i的参数C设置为class_weight [i] * C。如果没有给出值，则所有类都将设置为单位权重。“balanced”模式使用y的值自动将权重与类频率成反比地调整为 n_samples / (n_classes * np.bincount(y)) |
| verbose | 布尔值，默认=False 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。 |
| max_iter | 整数型，默认=-1 对求解器内的迭代进行硬性限制，或者为-1（无限制时）。 |
| decision_function_shape | {‘ovo’, ‘ovr’}, 默认=’ovr’ 是否要将返回形状为(n_samples, n_classes)的one-vs-rest (‘ovr’)决策函数应用于其他所有分类器，而在多类别划分中始终使用one-vs-one (‘ovo’)，对于二进制分类，将忽略该参数。 在版本0.19中进行了更改：默认情况下Decision_function_shape为ovr。 0.17版中的新功能：推荐使用Decision_function_shape ='ovr'。 在0.17版中进行了更改：不建议使用Decision_function_shape ='ovo'和None。 |
| break_ties | 如果为true，decision_function_shape ='ovr'，并且类数> 2，则预测将根据Decision_function的置信度值打破平局；否则，返回绑定类中的第一类。请注意，与简单的预测相比，打破平局的计算成本较高。 这是0.22版中的新功能。 |
| 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。当 probability为False时将忽略该参数。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。 |
| 属性 | 说明 |
|---|---|
| support_ | 形如(n_SV,)的数组 支持向量的指标。 |
| support_vectors_ | 形如(n_SV, n_features)的数组 支持向量 |
| n_support_ | 形如(n_class)的数组，dtype=int32 每个类别的支持向量数量。 |
| dual_coef_ | 形如(n_class-1, n_SV)的数组 决策函数中支持向量的对偶系数（请参见数学公式）。对于多类别，为所有1-vs-1分类器的系数。在多类情况下，系数的布局有些微不足道。有关详细信息，请参见multi-class section of the User Guide。 |
| coef_ | 形如(n_class * (n_class-1) / 2, 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_ | 形如(n_class * (n_class-1) / 2,)的数组 决策函数中的常量。 |
| classes_ | 形如(n_classes,)的数组 不重复类别标签 |
| fit_status_ | 整数型 如果拟合无误，则为0；如果算法未收敛，则为1。 |
| probA_ | 形如(n_class * (n_class-1) / 2,)的数组 |
| probB_ | 形如(n_class * (n_class-1) / 2,)的数组 如果 probability=True，则它对应于在普拉特缩放中学习的参数，以根据决策值产生概率估计。如果概率=假，则为空数组。普拉特定标使用逻辑函数1 /（1 + exp（decision_value * probA_ + probB_）），其中从数据集[2]了解probA_和probB_。有关多类案件和培训程序的更多信息，请参见[1]的第8节。 |
| class_weight_ | 形如(n_class,)的数组 每个类的参数C的乘数。根据class_weight参数进行计算。 |
| shape_fit_ | 形如(n_dimensions_of_X,)的整数型元祖 训练向量X的数组维度 |
另见：
支持向量机使用libsvm进行分类。
可扩展线性支持向量机使用liblinear进行分类。
参考文献：
示例：
>>> import numpy as np
>>> X = np.array([[-1, -1], [-2, -1], [1, 1], [2, 1]])
>>> y = np.array([1, 1, 2, 2])
>>> from sklearn.pipeline import make_pipeline
>>> from sklearn.preprocessing import StandardScaler
>>> from sklearn.svm import NuSVC
>>> clf = make_pipeline(StandardScaler(), NuSVC())
>>> clf.fit(X, y)
Pipeline(steps=[('standardscaler', StandardScaler()), ('nusvc', NuSVC())])
>>> print(clf.predict([[-0.8, -1]]))
[1]
方法：
decision_function(X) |
计算X中样本的决策函数。 |
|---|---|
fit(X, y[, sample_weight]) |
根据给定的训练数据拟合支持向量机模型。 |
get_params([deep]) |
获取这个估计器的参数。 |
predict(X) |
在X中对样本进行分类 |
score(X, y[, sample_weight]) |
返回给定测试数据和标签的平均精度。 |
set_params(**params) |
设置这个估计器的参数。 |
__init__(*, nu=0.5, kernel='rbf', degree=3, gamma='scale', coef0=0.0, shrinking=True, probability=False, tol=0.001, cache_size=200, class_weight=None, verbose=False, max_iter=-1, decision_function_shape='ovr', break_ties=False, random_state=None)
初始化self。请参阅help(type(self)获取准确的说明。
decision_function(X)
计算X中样本的决策函数。
| 参数 | 说明 |
|---|---|
| X | 形如(n_samples, n_features)的数组 |
| 返回值 | 说明 |
|---|---|
| X | 形如 (n_samples, n_classes * (n_classes-1) / 2)的数组 返回模型中每个类的样本决策函数。如果decision_function_shape =“ ovr”，则形状为（n_samples，n_classes）。 |
注：
若decision_function_shape= ' ovo '，则函数值与样本X到分离超平面的距离成正比。如果需要精确的距离，用函数值除以权值向量的范数(coef_)。更多细节请参见 这个问题 。若decision_function_shape= ' ovr '，则该决策函数是ovo决策函数的单调变换。
fit(X, y, sample_weight=None)
根据给定的训练数据拟合支持向量机模型。
| 参数 | 说明 |
|---|---|
| X | 形如(n_samples, n_features) 或者 (n_samples, n_samples)的数组或者稀疏矩阵 训练向量，其中n_samples为样本数量，n_features为特征数量。对于kernel= " precomputed "， X的期望形状为(n_samples, n_samples)。 |
| y | 形如(n_samples,)的数组 目标值（分类中的类标签，回归中的实数） |
| sample_weight | 形如(n_samples,)的数组，默认=None 样本的权重。每个样品重新定标C。较高的权重将使分类器更加注重这些样本点。 |
| 返回值 | 说明 |
|---|---|
| self | object |
注：
如果X和y不是C-ordered，并且np.float64和X的连续数组不是scipy.sparse.csr_matrix，则可以复制X或y。如果X是一个连续数组，则其他方法将不支持将稀疏矩阵作为输入。
get_params(deep=True)
获取这个估计器的参数。
| 参数 | 说明 |
|---|---|
| deep | bool, default = True 如果为真，则将返回此估计量和作为估计量的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)
对X中的样本执行分类。
对于返回值为+1或-1的one-class模型
| 参数 | 说明 |
|---|---|
| X | {array-like, sparse matrix} of shape (n_samples, n_features) or (n_samples_test, n_samples_train) 对于内核=“precomputed”，X的预期形状为（n_samples_test，n_samples_train）。 |
property predict_log_proba
计算X中样本的可能结果的对数概率。
该模型需要在训练时计算概率信息：将属性概率设置为True。
| 参数 | 说明 |
|---|---|
| X | 形如(n_samples, n_features) 或者 (n_samples_test, n_samples_train)的数组或者稀疏矩阵 对于内核=“precomputed”，X的预期形状为（n_samples_test，n_samples_train）。 |
| 返回值 | 说明 |
|---|---|
| T | 形如(n_sample, n_classes)的数组 返回模型中每个类的样本的对数概率。列与出现在属性classes_中的类别按顺序对应。 |
注：
概率模型是通过交叉验证建立的，因此其结果可能与通过预测得到的结果略有不同。而且，它会在非常小的数据集上产生无意义的结果。
property predict_proba
计算X中样本可能出现结果的概率。
模型需要在训练时计算出概率信息:将属性概率设置为True。
| 参数 | 说明 |
|---|---|
| X | 形如(n_samples, n_features)的数组 对于内核=“precomputed”，X的预期形状为（n_samples_test，n_samples_train）。 |
| 返回值 | 说明 |
|---|---|
| T | 形如(n_sample, n_classes)的数组 返回模型中每个类的样本的概率。列与出现在属性classes_中的类别按顺序对应。 |
注：
概率模型是通过交叉验证建立的，因此其结果可能与通过预测得到的结果略有不同。而且，它会在非常小的数据集上产生无意义的结果。
score(X, y, sample_weight=None)
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，这是子集精度，这是一个苛刻的指标，因为你需要对每个样本正确预测每个标签集。
| 参数 | 说明 |
|---|---|
| X | 形如 (n_samples, nfeatures)的数组 测试样本 |
| y | 形如 (n_sample, ) 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 | 浮点型 self.predict(X) wrt. y.的平均精度 |
set_params(self, **params)
设置当前估计量的参数。
该方法适用于简单估计量和嵌套对象(如pipline)。后者具有形式为<component>_<parameter>的参数，这样就让更新嵌套对象的每个组件成为了可能。
| 参数 | 说明 |
|---|---|
| **f_params | dict 估计量参数 |
| 返回值 | 说明 |
|---|---|
| self | object 估计器实例 |
