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。

类似于SVC，但使用一个参数来控制支持向量的数量。

该实现基于libsvm。

更多信息请参阅 用户指南 。

Parameters:

nufloat, 默认=0.5

边缘误差分数的上限（参见 用户指南 ）和支持向量分数的下限。 应在区间 (0, 1] 内。

kernel{‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’} 或 callable, 默认=’rbf’

指定在算法中使用的核类型。 如果未指定，将使用 ‘rbf’。如果给定一个 callable，则用于预计算核矩阵。对于不同核类型的直观可视化，请参见 使用不同SVM核函数绘制分类边界 。

degreeint, 默认=3

多项式核函数的度数 (‘poly’)。 必须为非负数。被所有其他核忽略。

gamma{‘scale’, ‘auto’} 或 float, 默认=’scale’

‘rbf’, ‘poly’ 和 ‘sigmoid’ 的核系数。

• 如果传递 gamma='scale' （默认），则使用 1 / (n_features * X.var()) 作为 gamma 的值，

• 如果 ‘auto’，使用 1 / n_features

• 如果为 float，必须为非负数。

Changed in version 0.22: gamma 的默认值从 ‘auto’ 改为 ‘scale’。

coef0float, 默认=0.0

核函数中的独立项。 仅在 ‘poly’ 和 ‘sigmoid’ 中显著。

shrinkingbool, 默认=True

是否使用收缩启发式。 参见 用户指南 。

probabilitybool, 默认=False

是否启用概率估计。这必须在调用 fit 之前启用，会减慢该方法的速度，因为它内部使用 5 折交叉验证，并且 predict_proba 可能与 predict 不一致。更多信息请参见 用户指南 。

tolfloat, 默认=1e-3

停止准则的容差。

cache_sizefloat, 默认=200

指定核缓存的大小（以 MB 为单位）。

class_weight{dict, ‘balanced’}, 默认=None

设置类 i 的参数 C 为 class_weight[i]*C。 如果未指定，所有类别的权重均为 1。”balanced” 模式使用 y 的值自动调整权重，与类别频率成反比，即 n_samples / (n_classes * np.bincount(y)) 。

verbosebool, 默认=False

启用详细输出。请注意，此设置利用了 libsvm 中的每个进程运行时设置，如果在多线程上下文中启用，可能无法正常工作。

max_iterint, 默认=-1

在求解器中迭代的硬限制，或 -1 表示无限制。

decision_function_shape{‘ovo’, ‘ovr’}, 默认=’ovr’

是否返回一个 one-vs-rest (‘ovr’) 决策函数，形状为 (n_samples, n_classes)，或 libsvm 的原始 one-vs-one (‘ovo’) 决策函数，形状为 (n_samples, n_classes * (n_classes - 1) / 2)。然而，one-vs-one (‘ovo’) 总是用作多类策略。该参数在二分类中被忽略。

Changed in version 0.19: decision_function_shape 默认为 ‘ovr’。

Added in version 0.17: decision_function_shape=’ovr’ 被推荐。

Changed in version 0.17: 弃用 decision_function_shape=’ovo’ 和 None。

break_tiesbool, 默认=False

如果为 true， decision_function_shape='ovr' ，且类别数 > 2， predict 将根据 decision_function 的置信值打破平局；否则返回平局类别中的第一个类别。请注意，打破平局相对于简单的预测会有较高的计算成本。

Added in version 0.22.

random_stateint, RandomState 实例或 None, 默认=None

控制用于概率估计的数据混洗的伪随机数生成。当 probability 为 False 时被忽略。 传递一个 int 以在多次函数调用中获得可重复的输出。参见 Glossary 。

Attributes:

class_weight_ndarray of shape (n_classes,)

每个类别的参数 C 的乘数。 基于 class_weight 参数计算。

classes_ndarray of shape (n_classes,)

唯一的类别标签。

coef_ndarray of shape (n_classes * (n_classes -1) / 2, n_features)

权重分配给特征当 kernel="linear" 时。

dual_coef_ndarray of shape (n_classes - 1, n_SV)

决策函数中支持向量的对偶系数（参见 数学公式 ），乘以其目标值。 对于多类，所有 1-vs-1 分类器的系数。 在多类情况下的系数布局有些复杂。参见 用户指南的多类部分 了解详情。

fit_status_int

如果正确拟合，则为 0；如果算法未收敛，则为 1。

intercept_ndarray of shape (n_classes * (n_classes - 1) / 2,)

决策函数中的常数。

n_features_in_int

在 fit 期间看到的特征数量。

Added in version 0.24.

feature_names_in_ndarray of shape ( n_features_in_ ,)

在 fit 期间看到的特征名称。仅当 X 的特征名称为所有字符串时定义。

Added in version 1.0.

n_iter_ndarray of shape (n_classes * (n_classes - 1) // 2,)

优化例程运行以拟合模型的迭代次数。此属性的形状取决于优化模型的数量，进而取决于类别数量。

Added in version 1.1.

support_ndarray of shape (n_SV,)

支持向量的索引。

support_vectors_ndarray of shape (n_SV, n_features)

支持向量。

n_support_ndarray of shape (n_classes,), dtype=int32

每个类别的支持向量数量。

fit_status_int

如果正确拟合，则为 0；如果算法未收敛，则为 1。

probA_ndarray of shape (n_classes * (n_classes - 1) / 2,)

参数在Platt缩放中学习，当 probability=True 时。

probB_ndarray of shape (n_classes * (n_classes - 1) / 2,)

参数在Platt缩放中学习，当 probability=True 时。

shape_fit_tuple of int of shape (n_dimensions_of_X,)

训练向量 X 的数组维度。

See also

SVC

使用 libsvm 的支持向量机分类。

LinearSVC

使用 liblinear 的可扩展线性支持向量机分类。

References

[1]

LIBSVM: A Library for Support Vector Machines

[2]

Platt, John (1999). “Probabilistic Outputs for Support Vector Machines and Comparisons to Regularized Likelihood Methods”

Examples

>>> 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]

property coef_

权重分配给特征当 kernel="linear" 时。

Returns:

形状为 (n_features, n_classes) 的 ndarray

decision_function(X)

评估样本X的决策函数。

Parameters:

X形状为 (n_samples, n_features) 的类数组

输入样本。

Returns:

X形状为 (n_samples, n_classes * (n_classes-1) / 2) 的 ndarray

返回模型中每个类的样本的决策函数。 如果 decision_function_shape=’ovr’，形状为 (n_samples, n_classes)。

Notes

如果 decision_function_shape=’ovo’，函数值与样本X到分离超平面的距离成正比。如果需要精确距离，将函数值除以权重向量 ( coef_ ) 的范数。进一步详情请参见 这个问题 。如果 decision_function_shape=’ovr’，决策函数是 ovo 决策函数的单调变换。

fit(X, y, sample_weight=None)

拟合SVM模型根据给定的训练数据。

Parameters:

X{array-like, sparse matrix} of shape (n_samples, n_features) 或 (n_samples, n_samples)

训练向量，其中 n_samples 是样本的数量 和 n_features 是特征的数量。 对于 kernel=”precomputed”，X 的预期形状是 (n_samples, n_samples)。

yarray-like of shape (n_samples,)

目标值（在分类中是类标签，在回归中是实数）。

sample_weightarray-like of shape (n_samples,), default=None

每个样本的权重。按样本重新调整 C。更高的权重 迫使分类器在这些点上投入更多注意力。

Returns:

selfobject

拟合的估计器。

Notes

如果 X 和 y 不是 C 顺序的且连续的 np.float64 数组，并且 X 不是 scipy.sparse.csr_matrix，X 和/或 y 可能会被复制。

如果 X 是一个密集数组，那么其他方法将不支持稀疏矩阵作为输入。

get_metadata_routing()

获取此对象的元数据路由。

请查看 用户指南 以了解路由机制的工作原理。

Returns:

routingMetadataRequest

MetadataRequest 封装的 路由信息。

get_params(deep=True)

获取此估计器的参数。

Parameters:

deepbool, 默认=True

如果为True，将返回此估计器和包含的子对象（也是估计器）的参数。

Returns:

paramsdict

参数名称映射到它们的值。

property n_support_

每个类别的支持向量数量。

predict(X)

执行对X中样本的分类。

对于单类模型，返回+1或-1。

Parameters:

X{array-like, sparse matrix} of shape (n_samples, n_features) or (n_samples_test, n_samples_train)

对于kernel=”precomputed”，X的预期形状为 (n_samples_test, n_samples_train)。

Returns:

y_predndarray of shape (n_samples,)

样本在X中的类别标签。

predict_log_proba(X)

计算样本在X中可能结果的对数概率。

模型需要在训练时计算概率信息：使用属性 probability 设置为True进行拟合。

Parameters:

X类似数组的形式 (n_samples, n_features) 或 (n_samples_test, n_samples_train)

对于kernel=”precomputed”，X的预期形状是 (n_samples_test, n_samples_train)。

Returns:

Tndarray of shape (n_samples, n_classes)

返回样本的对数概率，每个类别的对数概率在模型中。列对应于按排序顺序出现的类别，如属性 classes_ 中所示。

Notes

概率模型是使用交叉验证创建的，因此 结果可能与通过 预测获得的结果略有不同。此外，它会在非常小的 数据集上产生无意义的结果。

predict_proba(X)

计算样本在X中可能结果的概率。

模型需要在训练时计算概率信息：使用属性 probability 设置为True进行拟合。

Parameters:

X形状为(n_samples, n_features)的类数组

对于kernel=”precomputed”，X的预期形状为(n_samples_test, n_samples_train)。

Returns:

T形状为(n_samples, n_classes)的ndarray

返回样本在模型中每个类别的概率。列对应于按属性:term:classes_ 中出现的顺序排序的类别。

Notes

概率模型是使用交叉验证创建的，因此结果可能与通过预测获得的结果略有不同。此外，它会在非常小的数据集上产生无意义的结果。

property probA_

参数在Platt缩放中学习，当 probability=True 时。

Returns:

形状为 (n_classes * (n_classes - 1) / 2) 的ndarray

property probB_

参数在Platt缩放中学习，当 probability=True 时。

Returns:

形状为 (n_classes * (n_classes - 1) / 2) 的ndarray

score(X, y, sample_weight=None)

返回给定测试数据和标签的平均准确率。

在多标签分类中，这是子集准确率，这是一个严格的指标，因为你要求每个样本的每个标签集都被正确预测。

Parameters:

X形状为 (n_samples, n_features) 的类数组

测试样本。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组

` X`的真实标签。

sample_weight形状为 (n_samples,) 的类数组，默认=None

样本权重。

Returns:

scorefloat

self.predict(X) 相对于 y 的平均准确率。

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → NuSVC

Request metadata passed to the fit method.

Note that this method is only relevant if enable_metadata_routing=True (see sklearn.set_config ). Please see User Guide on how the routing mechanism works.

The options for each parameter are:

• True : metadata is requested, and passed to fit if provided. The request is ignored if metadata is not provided.

• False : metadata is not requested and the meta-estimator will not pass it to fit .

• None : metadata is not requested, and the meta-estimator will raise an error if the user provides it.

• str : metadata should be passed to the meta-estimator with this given alias instead of the original name.

The default ( sklearn.utils.metadata_routing.UNCHANGED ) retains the existing request. This allows you to change the request for some parameters and not others.

Added in version 1.3.

Note

This method is only relevant if this estimator is used as a sub-estimator of a meta-estimator, e.g. used inside a Pipeline . Otherwise it has no effect.

Parameters:

sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

Metadata routing for sample_weight parameter in fit .

Returns:

selfobject

The updated object.

set_params(**params)

设置此估计器的参数。

该方法适用于简单估计器以及嵌套对象（例如 Pipeline ）。后者具有形式为 <component>__<parameter> 的参数，以便可以更新嵌套对象的每个组件。

Parameters:

**paramsdict

估计器参数。

Returns:

selfestimator instance

估计器实例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → NuSVC

Request metadata passed to the score method.

Note that this method is only relevant if enable_metadata_routing=True (see sklearn.set_config ). Please see User Guide on how the routing mechanism works.

The options for each parameter are:

• True : metadata is requested, and passed to score if provided. The request is ignored if metadata is not provided.

• False : metadata is not requested and the meta-estimator will not pass it to score .

• None : metadata is not requested, and the meta-estimator will raise an error if the user provides it.

• str : metadata should be passed to the meta-estimator with this given alias instead of the original name.

The default ( sklearn.utils.metadata_routing.UNCHANGED ) retains the existing request. This allows you to change the request for some parameters and not others.

Added in version 1.3.

Note

This method is only relevant if this estimator is used as a sub-estimator of a meta-estimator, e.g. used inside a Pipeline . Otherwise it has no effect.

Parameters:

sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

Metadata routing for sample_weight parameter in score .

Returns:

selfobject

The updated object.