NuSVR#

class sklearn.svm.NuSVR(*, nu=0.5, C=1.0, kernel='rbf', degree=3, gamma='scale', coef0=0.0, shrinking=True, tol=0.001, cache_size=200, verbose=False, max_iter=-1)#

Nu支持向量回归。

类似于NuSVC，用于回归，使用一个参数nu来控制支持向量的数量。然而，与NuSVC不同，其中nu替代了C，这里nu替代了epsilon-SVR中的参数epsilon。

该实现基于libsvm。

更多信息请参阅 用户指南 。

Parameters:
nufloat, default=0.5

训练误差分数的上界和支持向量分数的下界。应在区间(0, 1]内。默认取0.5。

Cfloat, default=1.0

误差项的惩罚参数C。有关直观显示正则化参数C缩放效果的示例，请参见 缩放SVC的正则化参数 。

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

指定算法中使用的核类型。如果没有给出，将使用’rbf’。如果给出可调用对象，则用于预计算核矩阵。

degreeint, default=3

多项式核函数的次数(‘poly’)。必须为非负数。被所有其他核忽略。

gamma{‘scale’, ‘auto’} 或 float, default=’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值，

  • 如果 ‘auto’，使用 1 / n_features

  • 如果为浮点数，必须为非负数。

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

coef0float, default=0.0

核函数中的独立项。仅在 ‘poly’ 和 ‘sigmoid’ 中显著。

shrinkingbool, default=True

是否使用收缩启发式。请参见 用户指南 。

tolfloat, default=1e-3

停止准则的容差。

cache_sizefloat, default=200

指定核缓存的大小（以MB为单位）。

verbosebool, default=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，如果在启用状态下，可能无法在多线程上下文中正常工作。

max_iterint, default=-1

求解器中的迭代硬限制，或-1表示无限制。

Attributes:
coef_ndarray of shape (1, n_features)

权重分配给特征当 kernel="linear" 时。

dual_coef_ndarray of shape (1, n_SV)

决策函数中支持向量的系数。

fit_status_int

如果正确拟合则为0，否则为1（将引发警告）

intercept_ndarray of shape (1,)

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 的所有特征名称为字符串时定义。

Added in version 1.0.

n_iter_int

优化例程运行以拟合模型的迭代次数。

Added in version 1.1.

n_support_ndarray of shape (1,), dtype=int32

每个类别的支持向量数量。

shape_fit_tuple of int of shape (n_dimensions_of_X,)

训练向量 X 的数组维度。

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。

See also

NuSVC

使用libsvm实现的用于分类的支持向量机，具有控制支持向量数量的参数。

SVR

使用libsvm实现的用于回归的epsilon支持向量机。

References

Examples

>>> from sklearn.svm import NuSVR
>>> from sklearn.pipeline import make_pipeline
>>> from sklearn.preprocessing import StandardScaler
>>> import numpy as np
>>> n_samples, n_features = 10, 5
>>> np.random.seed(0)
>>> y = np.random.randn(n_samples)
>>> X = np.random.randn(n_samples, n_features)
>>> regr = make_pipeline(StandardScaler(), NuSVR(C=1.0, nu=0.1))
>>> regr.fit(X, y)
Pipeline(steps=[('standardscaler', StandardScaler()),
                ('nusvr', NuSVR(nu=0.1))])
property coef_#

权重分配给特征当 kernel="linear" 时。

Returns:
形状为 (n_features, n_classes) 的 ndarray
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中样本的回归。

对于单类模型，返回+1（内点）或-1（离群点）。

Parameters:
X{array-like, sparse matrix}，形状为 (n_samples, n_features)

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

Returns:
y_predndarray，形状为 (n_samples,)

预测的值。

score(X, y, sample_weight=None)#

返回预测的决定系数。

决定系数 \(R^2\) 定义为 \((1 - rac{u}{v})\) ，其中 \(u\) 是残差平方和 ((y_true - y_pred)** 2).sum() ，而 \(v\) 是总平方和 ((y_true - y_true.mean()) ** 2).sum() 。最好的可能得分是 1.0，它可能是负的（因为模型可能任意地差）。一个总是预测 y 的期望值的常数模型，忽略输入特征，将得到 \(R^2\) 得分为 0.0。

Parameters:
Xarray-like of shape (n_samples, n_features)

测试样本。对于某些估计器，这可能是一个预计算的核矩阵或一个形状为 (n_samples, n_samples_fitted) 的通用对象列表，其中 n_samples_fitted 是估计器拟合中使用的样本数量。

yarray-like of shape (n_samples,) or (n_samples, n_outputs)

X 的真实值。

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

样本权重。

Returns:
scorefloat

\(R^2\) 相对于 y 的 self.predict(X) 。

Notes

在调用回归器的 score 时使用的 \(R^2\) 得分从 0.23 版本开始使用 multioutput='uniform_average' 以保持与 r2_score 默认值一致。 这影响了所有多输出回归器的 score 方法（除了 MultiOutputRegressor ）。

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

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 = '$UNCHANGED$') → NuSVR#

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.

On this page
Show Source