l1_min_c

sklearn.svm.l1_min_c(X, y, *, loss='squared_hinge', fit_intercept=True, intercept_scaling=1.0)[source]

Возвращает минимальную границу для C.

Нижняя граница для C вычисляется таким образом, что для C в интервале (l1_min_C, бесконечность) модель гарантированно не будет пустой. Это относится к классификаторам с L1-регуляризацией, таким как LinearSVC с penalty=’l1’ и linear_model.LogisticRegression с penalty=’l1’.

Это значение справедливо, если параметр class_weight в методе fit() не задан.

Параметры:

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

Вектор обучения, где n_samples — количество выборок, а n_features — количество признаков.

yarray-like of shape (n_samples,)

Вектор целевых значений, относящийся к X.

loss{‘squared_hinge’, ‘log’}, default=’squared_hinge’

Определяет функцию потерь. При ‘squared_hinge’ используется квадратичная функция потерь Хинджа (также известная как L2 потеря). При ‘log’ используется потеря моделей логистической регрессии.

fit_interceptbool, default=True

Указывает, нужно ли подгонять модель под свободный член. Должно совпадать с параметром метода fit().

intercept_scalingfloat, default=1.0

Когда fit_intercept равен True, вектор экземпляра x преобразуется в [x, intercept_scaling], т. е. к вектору экземпляра добавляется «синтетический» признак с постоянным значением, равным intercept_scaling. Должно совпадать с параметром метода fit().

Возвращает:

l1_min_cfloat

Минимальное значение для C.

Примеры

>>> from sklearn.svm import l1_min_c
>>> from sklearn.datasets import make_classification
>>> X, y = make_classification(n_samples=100, n_features=20, random_state=42)
>>> print(f"{l1_min_c(X, y, loss='squared_hinge', fit_intercept=True):.4f}")
0.0044

Галерея примеров

Путь регуляризации L1-логистической регрессии