l1_min_c

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

Возвращает нижнюю границу для C.

Нижняя граница для C вычисляется таким образом, чтобы для C в (l1_min_C, infinity) гарантировалось, что модель не будет пустой. Это относится к классификаторам с L1-регуляризацией, таким как sklearn.svm.LinearSVC с penalty=’l1’ и sklearn.linear_model.LogisticRegression с l1_ratio=1.

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

Пример использования этой функции см. в разделе Траектория регуляризации логистической регрессии с L1-регуляризацией.

Параметры:

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

Обучающий вектор, где n_samples — количество образцов, а n_features — количество признаков.

yarray-like of shape (n_samples,)

Целевой вектор, соответствующий X.

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

Задает функцию потерь. При значении ‘squared_hinge’ используется квадратичная функция потерь на шарнире (также известная как функция потерь L2). При значении ‘log’ используется функция потерь моделей логистической регрессии.

fit_interceptbool, default=True

Указывает, должна ли модель обучать свободный член. Значение должно совпадать со значением параметра метода fit().

intercept_scalingfloat, default=1.0

Если fit_intercept имеет значение True, вектор экземпляра x преобразуется в [x, intercept_scaling], то есть к вектору экземпляра добавляется «синтетический» признак с постоянным значением intercept_scaling. Значение должно совпадать со значением параметра метода fit().

Возвращает:

l1_min_cfloat

Минимальное значение 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

Примеры в галерее

Траектория регуляризации логистической регрессии с L1-регуляризацией