Python sklearn Perceptron用法及代碼示例

本文簡要介紹python語言中 sklearn.linear_model.Perceptron 的用法。

用法:

class sklearn.linear_model.Perceptron(*, penalty=None, alpha=0.0001, l1_ratio=0.15, fit_intercept=True, max_iter=1000, tol=0.001, shuffle=True, verbose=0, eta0=1.0, n_jobs=None, random_state=0, early_stopping=False, validation_fraction=0.1, n_iter_no_change=5, class_weight=None, warm_start=False)

線性感知器分類器。

在用戶指南中閱讀更多信息。

參數：

penalty：{‘l2’,'l1','elasticnet'}，默認=無

要使用的懲罰(又名正則化項)。

alpha：浮點數，默認=0.0001

如果使用正則化，則乘以正則化項的常數。

l1_ratio：浮點數，默認=0.15

彈性網絡混合參數，帶有 0 <= l1_ratio <= 1 。 l1_ratio=0 對應 L2 懲罰，l1_ratio=1 對應 L1。僅在 penalty='elasticnet' 時使用。

fit_intercept：布爾，默認=真

是否應該估計截距。如果為 False，則假定數據已經居中。

max_iter：整數，默認=1000

訓練數據的最大傳遞次數(又名 epochs)。它隻影響fit 方法中的行為，而不影響partial_fit 方法中的行為。

tol：浮點數，默認=1e-3

停止標準。如果不是 None，迭代將在 (loss > previous_loss - tol) 時停止。

shuffle：布爾，默認=真

是否應該在每個 epoch 之後對訓練數據進行洗牌。

verbose：整數，默認=0

詳細程度。

eta0：浮點數，默認=1

更新乘以的常數。

n_jobs：整數，默認=無

用於進行 OVA(One Versus All，針對多類問題)計算的 CPU 數量。 None 表示 1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有處理器。有關更多詳細信息，請參閱術語表。

random_state：int，RandomState 實例，默認=無

當 shuffle 設置為 True 時，用於對訓練數據進行洗牌。傳遞 int 以獲得跨多個函數調用的可重現輸出。請參閱詞匯表。

early_stopping：布爾，默認=假

驗證時是否使用提前停止終止訓練。分數沒有提高。如果設置為 True，它將自動將訓練數據的分層部分留作驗證，並在驗證分數沒有至少提高 n_iter_no_change 個連續 epoch 時終止訓練。

validation_fraction：浮點數，默認=0.1

留出作為提前停止驗證集的訓練數據的比例。必須介於 0 和 1 之間。僅在 early_stopping 為 True 時使用。

n_iter_no_change：整數，默認=5

在提前停止之前等待沒有改進的迭代次數。

class_weight：dict, {class_label: weight} 或 “balanced”, 默認=無

class_weight 擬合參數的預設。

與類相關的權重。如果沒有給出，所有的類都應該有一個權重。

“balanced” 模式使用 y 的值自動調整與輸入數據中的類頻率成反比的權重，如 n_samples / (n_classes * np.bincount(y)) 。

warm_start：布爾，默認=假

當設置為 True 時，重用之前調用的解決方案作為初始化，否則，隻需擦除之前的解決方案。請參閱詞匯表。

屬性：

classes_：ndarray 形狀 (n_classes,)

唯一的類標簽。

coef_：ndarray of shape (1, n_features) if n_classes == 2 else (n_classes, n_features)

分配給特征的權重。

intercept_：ndarray 形狀 (1,) if n_classes == 2 else (n_classes,)

決策函數中的常數。

loss_function_：混凝土LossFunction

確定算法輸出與目標值之間的損失或差異的函數。

n_features_in_：int

擬合期間看到的特征數。

feature_names_in_：ndarray 形狀(n_features_in_，)

擬合期間看到的特征名稱。僅當 X 具有全為字符串的函數名稱時才定義。

n_iter_：int

達到停止標準的實際迭代次數。對於多類擬合，它是每個二元擬合的最大值。

t_：int

訓練期間執行的權重更新次數。與 (n_iter_ * n_samples) 相同。

注意：

Perceptron 是一種分類算法，它與 SGDClassifier 共享相同的底層實現。事實上，Perceptron() 等價於 SGDClassifier(loss="perceptron", eta0=1, learning_rate="constant", penalty=None) 。

參考：

https://en.wikipedia.org/wiki/Perceptron and references therein.

例子：

>>> from sklearn.datasets import load_digits
>>> from sklearn.linear_model import Perceptron
>>> X, y = load_digits(return_X_y=True)
>>> clf = Perceptron(tol=1e-3, random_state=0)
>>> clf.fit(X, y)
Perceptron()
>>> clf.score(X, y)
0.939...