Python sklearn NuSVR用法及代碼示例

本文簡要介紹python語言中 sklearn.svm.NuSVR 的用法。

用法:

class sklearn.svm.NuSVR(*, nu=0.5, C=1.0, kernel='rbf', degree=3, gamma='scale', coef0=0.0, shrinking=True, tol=0.001, cache_size=200, verbose=False, max_iter=- 1)

Nu 支持向量回歸。

與 NuSVC 類似，對於回歸，使用參數 nu 來控製支持向量的數量。但是，與 NuSVC 不同，這裏 nu 替換 C，這裏 nu 替換了epsilon-SVR 的參數 epsilon。

該實現基於 libsvm。

在用戶指南中閱讀更多信息。

參數：

nu：浮點數，默認=0.5

訓練誤差分數的上限和支持向量分數的下限。應該在 (0, 1] 區間內。默認取 0.5。

C：浮點數，默認=1.0

誤差項的懲罰參數 C。

kernel：{‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’} 或可調用，默認='rbf'

指定要在算法中使用的內核類型。如果沒有給出，將使用‘rbf’。如果給定了可調用對象，則它用於預先計算內核矩陣。

degree：整數，默認=3

多項式核函數的度數 (‘poly’)。被所有其他內核忽略。

gamma：{‘scale’, ‘auto’} 或浮點數，默認='scale'

‘rbf’, ‘poly’ 和 ‘sigmoid’ 的核係數。

• 如果gamma='scale'(默認)被傳遞，那麽它使用 1 /(n_features * X.var()) 作為伽瑪值，
• 如果‘auto’，使用 1 /n_features。

coef0：浮點數，默認=0.0

核函數中的獨立項。僅在‘poly’和‘sigmoid’中有意義。

shrinking：布爾，默認=真

是否使用收縮啟發式。請參閱用戶指南。

tol：浮點數，默認=1e-3

停止標準的容差。

cache_size：浮點數，默認=200

指定內核緩存的大小(以 MB 為單位)。

verbose：布爾，默認=假

啟用詳細輸出。請注意，此設置利用了 libsvm 中的 per-process 運行時設置，如果啟用，該設置可能無法在多線程上下文中正常工作。

max_iter：整數，默認=-1

求解器內迭代的硬限製，或 -1 表示無限製。

屬性：

class_weight_：ndarray 形狀 (n_classes,)

每個類的參數 C 的乘數。根據class_weight 參數計算。

coef_ndarray 形狀 (1, n_features)

kernel="linear" 時分配給特征的權重。

dual_coef_：ndarray 形狀 (1, n_SV)

決策函數中支持向量的係數。

fit_status_：int

如果正確安裝，則為 0，否則為 1(將發出警告)

intercept_：ndarray 形狀 (1,)

決策函數中的常數。

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_support_ndarray 形狀 (n_classes,), dtype=int32

每個類的支持向量數。

shape_fit_：int 形狀的元組 (n_dimensions_of_X,)

訓練向量 X 的數組維度。

support_：ndarray 形狀 (n_SV,)

支持向量的索引。

support_vectors_：ndarray 形狀(n_SV，n_features)

支持向量。

參考：

1

LIBSVM：支持向量機庫

2

普拉特，約翰 (1999)。 “支持向量機的概率輸出以及與正則化似然方法的比較。”

例子：

>>> from sklearn.svm import NuSVR
>>> from sklearn.pipeline import make_pipeline
>>> from sklearn.preprocessing import StandardScaler
>>> import numpy as np
>>> n_samples, n_features = 10, 5
>>> np.random.seed(0)
>>> y = np.random.randn(n_samples)
>>> X = np.random.randn(n_samples, n_features)
>>> regr = make_pipeline(StandardScaler(), NuSVR(C=1.0, nu=0.1))
>>> regr.fit(X, y)
Pipeline(steps=[('standardscaler', StandardScaler()),
                ('nusvr', NuSVR(nu=0.1))])