Python sklearn NuSVC用法及代码示例

本文简要介绍python语言中 sklearn.svm.NuSVC 的用法。

用法:

class sklearn.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)

Nu-Support 向量分类。

与 SVC 类似，但使用参数来控制支持向量的数量。

该实现基于 libsvm。

在用户指南中阅读更多信息。

参数：

nu：浮点数，默认=0.5

边际误差分数的上限(请参阅用户指南)和支持向量分数的下限。应该在区间 (0, 1].

kernel：{‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’} 或可调用，默认='rbf'

指定要在算法中使用的内核类型。如果没有给出，将使用‘rbf’。如果给定了可调用对象，则它用于预先计算内核矩阵。

degree：整数，默认=3

多项式核函数的度数 (‘poly’)。被所有其他内核忽略。

gamma：{‘scale’, ‘auto’} 或浮点数，默认='scale'

‘rbf’, ‘poly’ 和 ‘sigmoid’ 的核系数。

• 如果gamma='scale'(默认)被传递，那么它使用 1 /(n_features * X.var()) 作为伽玛值，
• 如果‘auto’，使用 1 /n_features。

coef0：浮点数，默认=0.0

核函数中的独立项。仅在‘poly’和‘sigmoid’中有意义。

shrinking：布尔，默认=真

是否使用收缩启发式。请参阅用户指南。

probability：布尔，默认=假

是否启用概率估计。这必须在调用 fit 之前启用，这会减慢该方法，因为它在内部使用 5 折交叉验证，并且 predict_proba 可能与 predict 不一致。在用户指南中阅读更多信息。

tol：浮点数，默认=1e-3

停止标准的容差。

cache_size：浮点数，默认=200

指定内核缓存的大小(以 MB 为单位)。

class_weight：{dict，‘balanced’}，默认=无

对于 SVC，将第 i 类的参数 C 设置为class_weight[i]*C。如果没有给出，所有的类都应该有一个权重。 “balanced” 模式使用 y 的值自动调整与类频率成反比的权重，如 n_samples / (n_classes * np.bincount(y)) 。

verbose：布尔，默认=假

启用详细输出。请注意，此设置利用了 libsvm 中的 per-process 运行时设置，如果启用，该设置可能无法在多线程上下文中正常工作。

max_iter：整数，默认=-1

求解器内迭代的硬限制，或 -1 表示无限制。

decision_function_shape：{‘ovo’, ‘ovr’}，默认='ovr'

是否像所有其他分类器一样返回形状为 (n_samples, n_classes) 的 one-vs-rest (‘ovr’) 决策函数，或者返回 libsvm 的原始 one-vs-one (‘ovo’) 决策函数，其形状为 (n_samples, n_classes * (n_classes - 1) /2)。但是，one-vs-one (‘ovo’) 始终用作多类别策略。对于二元分类，该参数被忽略。

break_ties：布尔，默认=假

如果为真，decision_function_shape='ovr'，并且类数 > 2，predict 将根据 decision_function 的置信度值打破平局；否则返回绑定类中的第一个类。请注意，与简单的预测相比，打破平局的计算成本相对较高。

random_state：int、RandomState 实例或无，默认=无

控制伪随机数生成，以对数据进行随机化以进行概率估计。当 probability 为 False 时忽略。传递 int 以获得跨多个函数调用的可重现输出。请参阅词汇表。

属性：

class_weight_：ndarray 形状 (n_classes,)

每个类的参数 C 的乘数。根据class_weight 参数计算。

classes_：ndarray 形状 (n_classes,)

唯一的类标签。

coef_ndarray 形状 (n_classes * (n_classes -1) /2, n_features)

kernel="linear" 时分配给特征的权重。

dual_coef_：ndarray 形状 (n_classes - 1, n_SV)

决策函数中支持向量的对偶系数(参见数学公式)乘以它们的目标。对于多类，所有 1-vs-1 分类器的系数。多类情况下系数的布局有些重要。有关详细信息，请参阅用户指南的多类别部分。

fit_status_：int

如果正确拟合，则为 0，如果算法未收敛，则为 1。

intercept_：ndarray 形状 (n_classes * (n_classes - 1) /2,)

决策函数中的常数。

n_features_in_：int

拟合期间看到的特征数。

feature_names_in_：ndarray 形状(n_features_in_，)

拟合期间看到的特征名称。仅当 X 具有全为字符串的函数名称时才定义。

support_：ndarray 形状 (n_SV,)

支持向量的索引。

support_vectors_：ndarray 形状(n_SV，n_features)

支持向量。

n_support_ndarray 形状 (n_classes,), dtype=int32

每个类的支持向量数。

fit_status_：int

如果正确拟合，则为 0，如果算法未收敛，则为 1。

probA_ndarray 形状 (n_classes * (n_classes - 1) /2,)

probability=True 时在 Platt 缩放中学习的参数。

probB_ndarray 形状 (n_classes * (n_classes - 1) /2,)

probability=True 时在 Platt 缩放中学习的参数。

shape_fit_：int 形状的元组 (n_dimensions_of_X,)

训练向量 X 的数组维度。

参考：

1

LIBSVM：支持向量机库

2

普拉特，约翰 (1999)。 “支持向量机的概率输出以及与正则化似然方法的比较。”

例子：

>>> 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]