Аналогично NuSVC, для регрессии, использует параметр nu для управления количеством опорных векторов. Однако, в отличие от NuSVC, где nu заменяет C, здесь nu заменяет параметр epsilon из epsilon-SVR.
kernel{‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’} или вызываемый объект, по умолчанию=’rbf’
Определяет тип ядра, используемого в алгоритме. Если не указано, используется ‘rbf’. Если указана вызываемая функция, она используется для предобработки матрицы ядра. Для наглядной визуализации различных типов ядер см. Регрессия опорных векторов (SVR) с линейными и нелинейными ядрами
degreeint, по умолчанию=3
Степень полиномиального ядра (‘poly’). Должно быть неотрицательным. Игнорируется всеми другими ядрами.
gamma{‘scale’, ‘auto’} или float, по умолчанию=’scale’
Коэффициент ядра для ‘rbf’, ‘poly’ и ‘sigmoid’.
если gamma='scale' (по умолчанию) передается, тогда он использует 1 / (n_features * X.var()) в качестве значения gamma,
если ‘auto’, использует 1 / n_features
если float, должно быть неотрицательным.
Изменено в версии 0.22: Значение по умолчанию для gamma изменено с ‘auto’ на ‘scale’.
coef0float, по умолчанию=0.0
Независимый член в функции ядра. Значимо только для ‘poly’ и ‘sigmoid’.
Включить подробный вывод. Обратите внимание, что эта настройка использует настройку времени выполнения на процесс в libsvm, которая, если включена, может работать неправильно в многопоточном контексте.
max_iterint, по умолчанию=-1
Жесткий лимит итераций в решателе, или -1 для отсутствия ограничения.
Обучение модели SVM по заданным тренировочным данным.
Параметры:
X{array-like, sparse matrix} формы (n_samples, n_features) или (n_samples, n_samples)
Тренировочные векторы, где n_samples — количество выборок, а n_features — количество признаков. Для kernel=”precomputed”, ожидаемая форма X — (n_samples, n_samples).
yarray-like формы (n_samples,)
Целевые значения (метки классов в классификации, вещественные числа в регрессии).
sample_weightarray-like формы (n_samples,), по умолчанию=None
Веса каждой выборки. Изменяет C для каждой выборки. Более высокие веса заставляют классификатор уделять больше внимания этим точкам.
Возвращает:
selfобъект
Обученный оценщик.
Примечания
Если X и y не являются массивами C-порядка и непрерывными массивами np.float64, а X не является scipy.sparse.csr_matrix, то X и/или y могут быть скопированы.
Если X — плотный массив, то другие методы не будут поддерживать разреженные матрицы в качестве входных данных.
Коэффициент детерминации \(R^2\) определяется как \((1 - \frac{u}{v})\), где \(u\) — остаточная сумма квадратов ((y_true - y_pred)** 2).sum() и \(v\) — полная сумма квадратов ((y_true - y_true.mean()) ** 2).sum(). Лучшее возможное значение равно 1.0, оно может быть отрицательным (поскольку модель может быть произвольно хуже). Постоянная модель, которая всегда предсказывает ожидаемое значение y, игнорируя входные признаки, получит значение \(R^2\) равное 0.0.
Параметры:
Xarray-like формы (n_samples, n_features)
Тестовые образцы. Для некоторых оценщиков это может быть предварительно вычисленная матрица ядра или список общих объектов вместо нее с формой (n_samples, n_samples_fitted), где n_samples_fitted — число образцов, используемых при обучении оценщика.
yarray-like формы (n_samples,) или (n_samples, n_outputs)
Истинные значения для X.
sample_weightarray-like формы (n_samples,), по умолчанию=None
Веса образцов.
Возвращает:
scorefloat
\(R^2\) от self.predict(X) по отношению к y.
Примечания
Значение \(R^2\), используемое при вызове score для регрессора, использует multioutput='uniform_average' с версии 0.23, чтобы сохранить соответствие со значением по умолчанию r2_score. Это влияет на метод score всех многовыходных регрессоров (кроме MultiOutputRegressor).
Обратите внимание, что этот метод актуален только если enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, ознакомьтесь с Руководством пользователя о том, как работает механизм маршрутизации.
Варианты для каждого параметра:
True: метаданные запрашиваются и передаются в fit при их наличии. Запрос игнорируется, если метаданные отсутствуют.
False: метаданные не запрашиваются, и мета-оценщик не передаст их fit.
None: метаданные не запрашиваются, и мета-оценщик выдаст ошибку, если пользователь их предоставит.
str: метаданные должны передаваться мета-оценщику с этим псевдонимом вместо исходного имени.
По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет существующий запрос. Это позволяет изменить запрос для некоторых параметров, а не для других.
Добавлена в версии 1.3.
Примечание
Этот метод актуален только если этот оценщик используется как под-оценщик мета-оценщика, например, внутри Pipeline. В противном случае он не оказывает влияния.
Параметры:
sample_weightstr, True, False, or None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED
Маршрутизация метаданных для параметра sample_weight в fit.
Метод работает как с простыми оценщиками, так и со вложенными объектами (такими как Pipeline). Последние имеют параметры в форме <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.
Обратите внимание, что этот метод актуален только если enable_metadata_routing=True (см. sklearn.set_config). См. Руководство пользователя о том, как работает механизм маршрутизации.
Варианты для каждого параметра:
True: метаданные запрашиваются и передаются в score, если они предоставлены. Запрос игнорируется, если метаданные не предоставлены.
False: метаданные не запрашиваются, и мета-эстиматор не передаст их в score.
None: метаданные не запрашиваются, и мета-эстиматор выдаст ошибку, если пользователь их предоставит.
str: метаданные должны передаваться в мета-эстиматор с этим псевдонимом вместо оригинального имени.
По умолчанию (sklearn.utils.metadata_routing.UNCHANGED): сохраняется существующий запрос. Это позволяет изменить запрос для некоторых параметров, а не для других.
Добавлен в версии 1.3.
Примечание
Этот метод актуален только если данный оценок используется в качестве под-оценки мета-оценки, например, внутри Pipeline. В противном случае он не оказывает никакого влияния.
Параметры:
sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED
Маршрутизация метаданных для параметра sample_weight в score.
