sklearn.linear_model.PassiveAggressiveRegressor?

sklearn.linear_model.PassiveAggressiveRegressor(*, 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='epsilon_insensitive', epsilon=0.1, random_state=None, warm_start=False, average=False)

[源碼]

被動攻擊回歸。

在[用戶指南](http://www.ipahlj.com/view/4.html#1.1.15%20%E8%A2%AB%E5%8A%A8%E6%94%BB%E5%87%BB%E7%AE%97%E6%B3%95(Passive%20Aggressive%20Algorithms))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 是否應該估計截距。如果為False，則假定數據已經中心化。默認為True。
max_iter	int, optional (default=1000) 通過訓練數據的最大次數（又稱階段）。它只會影響`fit`方法中的行為，而不會影響 `partial_fit`方法。版本0.19中的新功能。
tol	float or None, optional (default=1e-3) 停止標準。如果不是None，則當（eploss> best_loss-tol）時迭代將停止。版本0.19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，它將自動將訓練數據的分層部分的`score`留作驗證，并在連續`n_iter_no_change`次的驗證分數沒有提高至少`tol`時終止訓練。 0.20版中的新功能。
validation_fraction	float, default=0.1 預留的訓練數據比例作為早期停止的驗證集。必須介于0和1之間。僅在`early_stopping`為True時使用。 0.20版中的新功能。
n_iter_no_change	int, default=5 迭代次數，結果沒有改善，可以提前停止。 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 所使用的損耗函數：epsilon_insensitive：等效于參考文件中的PA-1。squared_epsilon_insensitive：等效于參考文件中的PA-II。
epsilon	float 如果當前預測和正確標簽之間的差異低于此閾值，則不會更新模型。
random_state	int, RandomState instance, default=None 用于打亂訓練數據，當`shuffle`設置為 `True`。可以用一個整數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。
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。版本0.19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] 決策函數中的常數項。
n_iter_	int 達到停止標準的實際迭代次數。
t_	int 訓練期間進行的權重更新次數，與`(n_iter_ * n_samples)`相同。

另見：

SGDRegressor

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 PassiveAggressiveRegressor
>>> from sklearn.datasets import make_regression

>>> regr = PassiveAggressiveRegressor(max_iter=100, random_state=0,
... tol=1e-3)
>>> regr.fit(X, y)
PassiveAggressiveRegressor(max_iter=100, random_state=0)
>>> print(regr.coef_)
[20.48736655 34.18818427 67.59122734 87.94731329]
>>> print(regr.intercept_)
[-0.02306214]
>>> print(regr.predict([[0, 0, 0, 0]]))
[-0.02306214]