sklearn.linear_model.Perceptron详解

形式

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)

参数

• penalty : {‘l2’,’l1’,’elasticnet’}, default=None

  惩罚项，用来正则化。

• alpha: float, default=0.0001

  惩罚项之前的常数，调控正则化的权重比例

• l1_ratio: float, default=0.15

  当选用了penalty=elasticnet时，其为混合正则项，该参数可以控制L1正则项与L2正则项的比例

• fit_intercept: bool, default=True

  是否需要计算截距b的值

• max_iter: int, default=1000

  最大迭代次数，只影响fit方法，对partial_fit没影响

• tol: float, default=1e-3

  迭代停止规则，如果tol不为None值当上一轮的损失值-当前轮的损失值<tol时，训练停止。

• shuffle: bool, default=True

  在每一轮训练结束后是否打乱数据

• verbose: int, default=0

  是否输出训练日志，1为输出，0为不输出

• eta0: float, default=1

  学习率，决定梯度下降时每次参数变化的幅度

• n_jobs: int, default=None

  在多分类时使用的CPU数量，默认为None（或1），若为-1则使用所有CPU

• random_state: int, RandomState instance or None, default=0

  当 shuffle =True时，用于标记打乱训练数据的随机种子，可以方便下次复用

• early_stopping: bool, default=False

  验证时是否使用提前停止终止训练。分数没有提高。如果设置为True，它将自动留出训练数据的分层部分作为验证，并在n_iter_no_change连续周期的验证得分没有提高至少tol时终止训练。

• validation_fraction: float, default=0.1

  训练数据的比例留作早期停止的验证集。必须在0和1之间。仅在early_stopped为True时使用。

• n_iter_no_change: int, default=5

  在提前停止之前等待没有改进的迭代数。

• class_weight: dict, {class_label: weight} or “balanced”, default=None

  与类关联的权重。如果没有给出，所有类的权重都是1。

  “balanced”模式使用y的值自动调整权重，权重与输入数据中的类频率成反比，即n_samples / (n_classes * np.bincount(y))。

• warm_start: bool, default=False

  若为True则调用前一次设置的参数，使用之前设置的参数,详情见warm_start详解

属性

• classes_: ndarray of shape (n_classes,)

  放着y所有分类的数组，如感知机是array([-1., 1.])

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

  存放模型参数w，当为多(k)分类时，感知机启用默认多分类规则one-vs-rest导致出现k个参数w

• intercept_: ndarray of shape (1,) if n_classes == 2 else (n_classes,)

  存放模型参数b，当为多(k)分类时，感知机启用默认多分类规则one-vs-rest导致出现k个参数b

• loss_function_: concrete LossFunction

  查看选取的损失函数

• n_features_in_: int

  fit期间的特征数量

• n_iter_: int

  达到停止条件的实际迭代次数。对于多分类拟合，它是每一个二元拟合的最大值。

• t_: int

  在训练过程中进行重量更新的次数。与$(n\_iter\_\cdot n\_samples)$相同。

方法

• decision_function(X)

  返回样本到分类器分离超平面的距离，若对于多分类，则返回(样本数，类别数)大小的数组表示，正数表示正类，负数表示负类，详解见此链接:https://www.ab62.cn/article/24835.html

• densify()

  将coef_成员(返回)转换为numpy.ndarray。这是coef_的默认格式，是拟合所必需的，因此只需要在先前被稀疏化的模型上调用此方法;否则，它就是无效的。

• fit(X, y, coef_init=None, intercept_init=None, sample_weight=None)

  随机梯度下降拟合线性模型

  

• get_params([deep])

  

• partial_fit(X, y[, classes, sample_weight])

  对样本进行一次随机梯度下降，一次就结束，不保证效果

• predict(X)

  预测样本的类别

  

• score(X, y[, sample_weight])

  输入测试数据集，返回测试集中预测正确的样本所占比例

  

• set_params(**params)

  修改模型的参数

• sparsify()

  将coef_数据稀疏化，变为scipy.sparse matrix格式，提高储存效率，l1正则化模型在内存和存储方面比通常的numpy要高效得多。可用densify()还原，注意！intercept_没有被稀疏化