NuSVC

classsklearn.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)[source]

Классификация опорных векторов Nu.

Аналогично SVC, но использует параметр для управления количеством опорных векторов.

Реализация основана на libsvm.

Подробнее см. в Руководстве пользователя.

Параметры:

nufloat, default=0.5

Верхняя граница доли ошибок на границе (см. Руководство пользователя) и нижняя граница доли опорных векторов. Должно находиться в интервале (0, 1].

kernel{‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’} или вызываемая функция, по умолчанию=’rbf’

Определяет тип ядра, используемого в алгоритме. Если не указано, используется ‘rbf’. Если передана вызываемая функция, она используется для предварительного вычисления матрицы ядер. Интуитивное представление различных типов ядер см. в Построение границ классификации с различными ядрами SVM.

degreeint, default=3

Степень многочленного ядра (‘poly’). Должно быть неотрицательным. Игнорируется для всех других ядер.

gamma{‘scale’, ‘auto’} или float, default=’scale’

Коэффициент ядра для ‘rbf’, ‘poly’ и ‘sigmoid’.

• если gamma='scale' (по умолчанию) передано, оно использует 1 / (n_features * X.var()) в качестве значения gamma,
• если ‘auto’, используется 1 / n_features
• если float, должно быть неотрицательным.

Изменено в версии 0.22: Значение по умолчанию для gamma изменилось с ‘auto’ на ‘scale’.

coef0float, default=0.0

Независимый член в функции ядра. Он значим только для ‘poly’ и ‘sigmoid’.

shrinkingbool, default=True

Использовать ли эвристику ужимания. См. Руководство пользователя.

probabilitybool, default=False

Включить ли оценку вероятности. Это необходимо включить перед вызовом fit, замедлит этот метод, так как внутри он использует 5-кратную перекрестную проверку, и predict_proba может быть несогласован с predict. Подробнее см. в Руководстве пользователя.

tolfloat, default=1e-3

Допуск для критерия остановки.

cache_sizefloat, default=200

Укажите размер кэша ядра (в МБ).

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

Установите параметр C класса i на class_weight[i]*C для SVC. Если не указано, предполагается, что все классы имеют вес один. Режим “balanced” использует значения y для автоматической подстройки весов обратно пропорционально частоте классов как n_samples / (n_classes * np.bincount(y)).

verbosebool, default=False

Включить подробный вывод. Обратите внимание, что эта настройка использует параметр времени выполнения на процесс в libsvm, который, если включен, может работать некорректно в многопоточном контексте.

max_iterint, default=-1

Жёсткое ограничение итераций внутри решателя, или -1 для отсутствия ограничения.

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

Возвращать ли функцию решения one-vs-rest (‘ovr’) размера (n_samples, n_classes) как все другие классификаторы, или исходную функцию решения one-vs-one (‘ovo’) из libsvm, которая имеет размер (n_samples, n_classes * (n_classes - 1) / 2). Однако one-vs-one (‘ovo’) всегда используется как стратегия для многоклассовой классификации. Параметр игнорируется для бинарной классификации.

Изменено в версии 0.19: decision_function_shape по умолчанию ‘ovr’.

Добавлен в версии 0.17: decision_function_shape=’ovr’ рекомендуется.

Изменено в версии 0.17: Устарели decision_function_shape=’ovo’ и None.

break_tiesbool, default=False

Если True, decision_function_shape='ovr', и число классов > 2, predict будет нарушать связи согласно значениям уверенности от decision_function; в противном случае возвращается первый класс среди связанных классов. Обратите внимание, что нарушение связей сопряжено с относительно высокой вычислительной сложностью по сравнению с простым predict. См. Пример нарушения связей SVM для примера его использования с decision_function_shape='ovr'.

Добавлен в версии 0.22.

random_stateint, RandomState instance или None, по умолчанию=None

Управляет генерацией псевдослучайных чисел для перемешивания данных для оценок вероятности. Игнорируется, когда probability равно False. Передайте целое число для воспроизводимого вывода в нескольких вызовах функций. См. Словарь.

Атрибуты:

class_weight_массив формы (n_classes,)

Множители параметра C каждого класса. Вычисляются на основе параметра class_weight.

classes_массив формы (n_classes,)

Уникальные метки классов.

coef_массив формы (n_classes * (n_classes -1) / 2, n_features)

Веса, присваиваемые функциям, когда kernel="linear".

dual_coef_массив формы (n_classes - 1, n_SV)

Двойственные коэффициенты опорного вектора в функции решения (см. Математическая формулировка), умноженные на их цели. Для многоклассовой классификации, коэффициент для всех классификаторов 1-против-остальных. Макет коэффициентов в случае многоклассовой классификации несколько нетривиален. Подробности см. в разделе многоклассовой классификации Руководства пользователя.

fit_status_int

0, если правильно подогнано, 1, если алгоритм не сошёлся.

intercept_массив формы (n_classes * (n_classes - 1) / 2,)

Постоянные в функции решения.

n_features_in_int

Количество признаков, наблюдаемых во время fit.

Добавлен в версии 0.24.

feature_names_in_массив формы (n_features_in_,)

Имена признаков, наблюдаемых во время fit. Определены только тогда, когда X имеет имена признаков, все из которых являются строками.

Добавлен в версии 1.0.

n_iter_массив формы (n_classes * (n_classes - 1) // 2,)

Количество итераций, выполненных процедурой оптимизации для обучения модели. Форма этого атрибута зависит от количества моделей, обученных, что в свою очередь зависит от количества классов.

Добавлен в версии 1.1.

support_массив формы (n_SV,)

Индексы опорных векторов.

support_vectors_массив формы (n_SV, n_features)

Опорные векторы.

n_support_массив формы (n_classes,), тип=int32

Количество опорных векторов для каждого класса.

fit_status_int

0, если правильно подогнано, 1, если алгоритм не сошёлся.

probA_массив формы (n_classes * (n_classes - 1) / 2,)

Параметр, вычисленный в масштабировании Платта, когда probability=True.

probB_массив формы (n_classes * (n_classes - 1) / 2,)

Параметр, вычисленный в масштабировании Платта, когда probability=True.

shape_fit_кортеж целых чисел формы (n_dimensions_of_X,)

Размеры массива обучающего вектора X.

См. также

SVC

Машина опорных векторов для классификации, использующая libsvm.

LinearSVC

Масштабируемая линейная машина опорных векторов для классификации, использующая liblinear.

Ссылки

[1]

LIBSVM: Библиотека для машин опорных векторов

[2]

Platt, John (1999). «Вероятностные выходы для машин опорных векторов и сравнения с методами регламентированной вероятности»

Примеры

>>> 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]

свойствоcoef_

Веса, назначенные признакам при kernel="linear".

Возвращает:

массив NumPy формы (n_признаков, n_классов)

decision_function(X)[source]

Вычислить функцию принятия решений для образцов в X.

Параметры:

Xмассив-подобный формы (n_образцов, n_признаков)

Входные образцы.

Возвращает:

Xмассив NumPy формы (n_образцов, n_классов * (n_классов-1) / 2)

Возвращает функцию принятия решений для образца по каждому классу в модели. Если decision_function_shape=’ovr’, форма равна (n_образцов, n_классов).

Примечания

Если decision_function_shape=’ovo’, значения функции пропорциональны расстоянию образцов X до разделяющей гиперплоскости. Если требуются точные расстояния, разделите значения функции на норму вектора весов (coef_). См. также этот вопрос для получения дополнительной информации. Если decision_function_shape=’ovr’, функция принятия решений является монотонным преобразованием функции принятия решений ovo.

fit(X, y, sample_weight=None)[source]

Обучить модель SVM в соответствии с заданными обучающими данными.

Параметры:

X{массив-подобный, разреженная матрица} формы (n_образцов, n_признаков) или (n_образцов, n_образцов)

Векторы обучения, где n_samples — количество образцов, а n_features — количество признаков. Для kernel=”precomputed” ожидается форма X (n_образцов, n_образцов).

yмассив-подобный формы (n_образцов,)

Целевые значения (метки классов в классификации, действительные числа в регрессии).

sample_weightмассив-подобный формы (n_образцов,), по умолчанию=None

Веса каждого образца. Изменяет C для каждого образца. Большие веса заставляют классификатор уделять больше внимания этим точкам.

Возвращает:

selfобъект

Обученная модель.

Примечания

Если X и y не являются C-упорядоченными и непрерывными массивами np.float64, и X не является scipy.sparse.csr_matrix, X и/или y могут быть скопированы.

Если X является плотным массивом, тогда другие методы не будут поддерживать разреженные матрицы в качестве входных данных.

get_metadata_routing()[source]

Получить метаданные маршрутизации этого объекта.

Пожалуйста, обратитесь к Руководству пользователя для получения информации о том, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

MetadataRequest оборачивающая информацию о маршрутизации.

get_params(deep=True)[source]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, вернёт параметры этого оценщика и содержащихся вложенных объектов, которые являются оценщиками.

Возвращает:

paramsdict

Названия параметров, сопоставленные с их значениями.

свойствоn_support_

Количество опорных векторов для каждого класса.

predict(X)[source]

Выполнить классификацию на образцах в X.

Для модели одного класса возвращаются +1 или -1.

Параметры:

X{массив-подобный, разреженная матрица} формы (n_образцов, n_признаков) или (n_образцов_теста, n_образцов_обучения)

Для kernel=”precomputed” ожидается форма X (n_образцов_теста, n_образцов_обучения).

Возвращает:

y_predмассив NumPy формы (n_образцов,)

Метки классов для образцов в X.

predict_log_proba(X)[source]

Вычислить логарифмы вероятностей возможных исходов для образцов в X.

Модель должна иметь вычисленные вероятностные данные на этапе обучения: обучаться с атрибутом probability установленным в True.

Параметры:

Xмассив-подобный формы (n_образцов, n_признаков) или (n_образцов_теста, n_образцов_обучения)

Для kernel=”precomputed” ожидается форма X (n_образцов_теста, n_образцов_обучения).

Возвращает:

Tмассив NumPy формы (n_образцов, n_классов)

Возвращает логарифмы вероятностей образца для каждого класса в модели. Столбцы соответствуют классам в отсортированном порядке, как они появляются в атрибуте classes_.

Примечания

Вероятностная модель создается с помощью перекрестной проверки, поэтому результаты могут немного отличаться от результатов, полученных с помощью predict. Кроме того, она будет выдавать бессмысленные результаты на очень небольших наборах данных.

predict_proba(X)[source]

Вычислить вероятности возможных исходов для образцов в X.

Модель должна иметь вычисленную информацию о вероятностях во время обучения: подгонка с атрибутом probability установленным в значение True.

Параметры:

Xодномерный массив-подобный объект формы (n_samples, n_features)

Для ядра =”precomputed”, ожидаемая форма X равна (n_samples_test, n_samples_train).

Возвращает:

Tмассив NumPy формы (n_samples, n_classes)

Возвращает вероятность образца для каждого класса в модели. Столбцы соответствуют классам в отсортированном порядке, как они появляются в атрибуте classes_.

Примечания

Модель вероятностей создается с использованием перекрестной проверки, поэтому результаты могут немного отличаться от результатов, полученных с помощью predict. Кроме того, она будет давать бессмысленные результаты на очень небольших наборах данных.

свойствоprobA_

Параметр, вычисленный в масштабировании Платта, когда probability=True.

Возвращает:

массив NumPy формы (n_classes * (n_classes - 1) / 2)

свойствоprobB_

Параметр, вычисленный в масштабировании Платта, когда probability=True.

Возвращает:

массив NumPy формы (n_classes * (n_classes - 1) / 2)

score(X, y, sample_weight=None)[source]

Возвращает среднюю точность на заданных тестовых данных и метках.

В многоклассовой классификации это точность подмножества, которая является жёсткой метрикой, поскольку вы требуете, чтобы для каждого образца каждый набор меток был предсказан правильно.

Параметры:

Xодномерный массив-подобный объект формы (n_samples, n_features)

Тестовые образцы.

yодномерный массив-подобный объект формы (n_samples,) или (n_samples, n_outputs)

Истинные метки для X.

sample_weightодномерный массив-подобный объект формы (n_samples,), по умолчанию = None

Веса образцов.

Возвращает:

scorefloat

Средняя точность self.predict(X) по отношению к y.

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

Запрос метаданных, переданных методу fit.

Обратите внимание, что этот метод актуален только если enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, ознакомьтесь с Руководством пользователя по тому, как работает механизм маршрутизации.

Варианты для каждого параметра:

• True: метаданные запрашиваются и передаются в fit при их наличии. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и мета-оценщик не будет передавать их в fit.
• None: метаданные не запрашиваются, и мета-оценщик выдаст ошибку, если пользователь предоставит их.
• str: метаданные должны быть переданы мета-оценщику с данным псевдонимом вместо оригинального названия.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED): сохраняется существующий запрос. Это позволяет изменить запрос для некоторых параметров и не для других.

Добавлен в версии 1.3.

Примечание

Этот метод актуален только в том случае, если этот оценщик используется в качестве под-оценщика мета-оценщика, например, внутри Pipeline. В противном случае он не имеет эффекта.

Параметры:

sample_weightстрока, True, False или None, по умолчанию sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для параметра sample_weight в fit.

Возвращает:

selfобъект

Обновлённый объект.

set_params(**params)[source]

Установить параметры этого оценщика.

Метод работает как с простыми оценщиками, так и со вложенными объектами (например, с Pipeline). Последние имеют параметры вида <component>__<parameter>, чтобы можно было обновлять каждый компонент вложенного объекта.

Параметры:

**paramsсловарь

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

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

Запрос метаданных, передаваемых в метод score.

Обратите внимание, что этот метод актуален только если enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, ознакомьтесь со Руководством пользователя, чтобы узнать, как работает механизм маршрутизации.

Доступные варианты для каждого параметра:

• True: метаданные запрашиваются и передаются в score при их наличии. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и мета-эстиматор не передаст их score.
• None: метаданные не запрашиваются, и мета-эстиматор выдаст ошибку, если пользователь их предоставит.
• str: метаданные должны передаваться мета-эстиматору с этим псевдонимом вместо оригинального имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняется существующий запрос. Это позволяет изменить запрос для некоторых параметров, не затрагивая другие.

Добавлена в версии 1.3.

Примечание

Этот метод актуален только в том случае, если этот оценок используется в качестве под-оценки мета-оценки, например, внутри Pipeline. В противном случае он не оказывает влияния.

Parameters:

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

Маршрутизация метаданных для параметра sample_weight в score.

Returns:

selfobject

Обновлённый объект.