sklearn.linear_model.PassiveAggressiveClassifier?

class sklearn.linear_model.PassiveAggressiveClassifier(*, C=1.0, fit_intercept=True, max_iter=1000, tol=0.001, early_stopping=False, validation_fraction=0.1, n_iter_no_change=5, shuffle=True, verbose=0, loss='hinge', n_jobs=None, random_state=None, warm_start=False, class_weight=None, average=False)

[源碼]

被動感知分類器。

在用戶指南中閱讀更多內容。

參數 說明
C float
最大步長（正則化）。默認為1.0。
fit_intercept bool, default=False
是否估計截距。如果為False，則假定數據已經中心化。
max_iter int, optional (default=1000)
訓練數據的最大迭代次數（又稱歷元）。它只會影響fit方法中的行為，而不會影響 partial_fit方法。

0.19版本中的新功能。
tol float or None, optional (default=1e-3)
停止標準。如果不是None，則迭代將在（loss> previous_loss-tol）時停止。

0.19版本中的新功能。
early_stopping bool, default=False
是否使用驗證提前停止終止訓練。如果設置為True，它將自動留出訓練數據的分層部分作為驗證，并在連續n_iter_no_change次驗證分數都沒有提高至少tol時終止訓練。

0.20版中的新功能。
validation_fraction float, default=0.1
預留的作為早期停止的驗證集的訓練數據比例。必須在0到1之間。僅當early_stopping為True時使用。

0.20版中的新功能。
n_iter_no_change int, default=5
在提前停止之前沒有提升的迭代次數。

0.20版中的新功能。
shuffle bool, default=True
在每次迭代之后是否重新打亂訓練數據。
verbose integer, optional
日志的詳細程度
loss string, optional
要使用的損失函數：
hinge：等效于參考文檔中的PA-I。
squared_hinge：等效于參考文檔中的PA-II。
n_jobs int or None, optional (default=None)
用于執行OVA（對于多類問題而言為“一個對所有”）的CPU內核數。除非設置了joblib.parallel_backend 參數，否則None表示1 。 -1表示使用所有處理器。有關更多詳細信息，請參見詞匯表。
random_state int, RandomState instance, default=None
用于打亂訓練數據，當shuffle設置為 True。對于一個整數值，可以為多個函數調用傳遞重復的輸出。請參閱詞匯表。
warm_start bool, optional
設置為True時，重用前面調用的解決方案來進行初始化，否則，只清除前面的解決方案。請參閱詞匯表。

當warm_start為True時，重復調用fit或partial_fit可能會導致解決方案與一次調用fit時有所不同，這是因為數據的重排方式所致。
class_weight dict, {class_label: weight} or “balanced” or None, optional
class_weight fit參數的預設值。

類別關聯的權重。如果沒有給出，所有類別的權重都應該是1。

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

0.17版中的新功能：參數class_weight*可自動對樣本加權。
average bool or int, optional
設置為True時，將計算平均SGD權重并將結果存儲在coef_屬性中。如果將int設置為大于1，則一旦看到的樣本總數達到平均值就會開始平均。如average=10，將在看到10個樣本后開始平均。

0.19版本中的新功能：參數平均值使用SGD中的權重平均值
屬性 說明
coef_ array, shape = [1, n_features] if n_classes == 2 else [n_classes, n_features]
分配給特征的權重。
intercept_ array, shape = [1] if n_classes == 2 else [n_classes]
決策函數中的常量。
n_iter_ int
達到停止標準的實際迭代次數。對于多類擬合，它是每個二分類擬合的最大值。
classes_ array of shape (n_classes,)
非重復的類標簽。
t_ int
訓練期間進行的權重更新次數。與(n_iter_ * n_samples)相同。
loss_function_ callable
算法使用的損失函數。

另見

SGDClassifier

Perceptron

參考

Online Passive-Aggressive Algorithms http://jmlr.csail.mit.edu/papers/volume7/crammer06a/crammer06a.pdf K. Crammer, O. Dekel, J. Keshat, S. Shalev-Shwartz, Y. Singer - JMLR (2006)

示例

>>> from sklearn.linear_model import PassiveAggressiveClassifier
>>> from sklearn.datasets import make_classification
>>> X, y = make_classification(n_features=4, random_state=0)
>>> clf = PassiveAggressiveClassifier(max_iter=1000, random_state=0,
... tol=1e-3)
>>> clf.fit(X, y)
PassiveAggressiveClassifier(random_state=0)
>>> print(clf.coef_)
[[0.26642044 0.45070924 0.67251877 0.64185414]]
>>> print(clf.intercept_)
[1.84127814]
>>> print(clf.predict([[0, 0, 0, 0]]))
[1]

方法

方法 說明
decision_function(self, X) 預測樣本的置信度得分。
densify(self) 將系數矩陣轉換為密集數組格式。
fit(self, X, y[, sample_weight]) 根據給定的訓練數據擬合模型。
get_params(self[, deep]) 獲取此估計器的參數。
partial_fit(self, X, y[, classes]) 用被動進取算法擬合線性模型。
predict(self, X) 預測X中樣本的類別標簽。
score(self, X, y[, sample_weight]) 返回給定測試數據和標簽上的平均準確度。
set_params(self, **params) 設置此估計器的參數。
sparsify(self) 將系數矩陣轉換為稀疏格式。 
__init__（self，*，C = 1.0，fit_intercept = True，max_iter = 1000，tol = 0.001，early_stopping = False，validation_fraction = 0.1，n_iter_no_change = 5，shuffle = True，verbose = 0，loss ='hinge'，n_jobs = None，random_state = None，warm_start = False，class_weight = None，average = False ）

[源碼]

初始化self， 請參閱help(type(self))以獲得準確的說明。

decision_function(self, X)

[源碼]

預測樣本的置信度得分。

樣本的置信度分數是該樣本到超平面的符號距離。

參數 說明
X array_like or sparse matrix, shape (n_samples, n_features)
樣本數據。
返回值 說明
array, shape=(n_samples,) if n_classes == 2 else (n_samples, n_classes)
每個（樣本，類別）組合的置信度得分。在二分類情況下，self.classes_ [1]的置信度得分> 0表示將預測該類。		 
densify(self)

[源碼]

將系數矩陣轉換為密集數組格式。

將coef_數值（返回）轉換為numpy.ndarray。這是coef_的默認格式，并且是擬合模型所需的格式，因此僅在之前被稀疏化的模型上才需要調用此方法。否則，它是無操作的。

返回值 說明
self 擬合估計器。 
fit（self，X，y，coef_init = None，Intercept_init = None ）

[源碼]

用被動感知算法擬合線性模型。

參數 說明
X {array-like, sparse matrix} of shape (n_samples, n_features)
訓練數據
y array-like of shape (n_samples,)
目標標簽。
coef_init array, shape = [n_classes,n_features]
用于熱啟動優化的初始系數。
intercept_init array, shape = [n_classes]
初始截距以熱啟動優化。
返回值 說明
self returns an instance of self. 
get_params（self，deep = True ）

[源碼]

獲取此估計器的參數。

參數 說明
deep bool, default=True
如果為True，返回此估計器和所包含子對象的參數。
返回值 說明
params mapping of string to any
參數名稱映射到其值。		 
partial_fit(self, X, y, classes=None)

[源碼]

用被動感知算法擬合線性模型。

參數 說明
X array_like or sparse matrix, shape (n_samples, n_features)
訓練數據的子集
y numpy array of shape [n_samples]
目標值的子集
classes array, shape = [n_classes]
partial_fit調用中所有的類。可以通過np.unique(y_all)獲得，其中y_all是整個數據集的目標向量。第一次調用partial_fit時需要此參數，在后續調用中可以將其省略。請注意，y不需要包含classes中的所有標簽。
返回值 說明
self returns an instance of self. 
predict(self, X)

[源碼]

預測X中樣本的類別標簽。

參數 說明
X array-like of shape (n_samples, n_features)
樣本數據
返回值 說明
C array, shape [n_samples]
每個樣本的預測類別標簽。		 
score（self，X，y，sample_weight = None ）

[源碼]

返回給定測試數據和標簽上的平均準確度。

在多標簽分類中，這是子集準確性，這是一個嚴格的指標，因為你需要為每個樣本正確預測對應的標簽集。

參數 說明
X array-like of shape (n_samples, n_features)
測試樣本。
y array-like of shape (n_samples,) or (n_samples, n_outputs)
X的真實標簽。
sample_weight array-like of shape (n_samples,), default=None
樣本權重。
返回值 說明
score float
預測標簽與真實標簽的平均準確度		 
set_params(self, **kwargs)

[源碼]

設置并驗證估計器的參數。

參數 說明
**kwargs dict
估計器參數。
返回值 說明
self object
估計器實例。		 
sparsify(self)

[源碼]

將系數矩陣轉換為稀疏格式。

將coef_數值轉換為scipy.sparse矩陣，對于L1正規化的模型，該矩陣比通常的numpy.ndarray具有更高的內存和存儲效率。

該intercept_數值未轉換。

返回值 說明
self 擬合估計器。

注

對于非稀疏模型，即當coef_中零的個數不多時，這實際上可能會增加內存使用量，因此請謹慎使用此方法。經驗法則是，可以使用(coef_ == 0).sum()計算得到的零元素的數量必須大于50％，這時的效果是顯著的。

在調用densify之前，調用此方法將無法進一步使用partial_fit方法（如果有）。