sklearn.linear_model.Perceptron詳解

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)

參數

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

  懲罰項，用來正則化。

• alpha: float, default=0.0001

  懲罰項之前的常數，調控正則化的權重比例

• l1_ratio: float, default=0.15

  當選用了penalty=elasticnet時，其為混合正則項，該參數可以控制L1正則項與L2正則項的比例

• fit_intercept: bool, default=True

  是否需要計算截距b的值

• max_iter: int, default=1000

  最大迭代次數，只影響fit方法，對partial_fit沒影響

• tol: float, default=1e-3

  迭代停止規則，如果tol不為None值當上一輪的損失值-當前輪的損失值<tol時，訓練停止。

• shuffle: bool, default=True

  在每一輪訓練結束后是否打亂數據

• verbose: int, default=0

  是否輸出訓練日志，1為輸出，0為不輸出

• eta0: float, default=1

  學習率，決定梯度下降時每次參數變化的幅度

• n_jobs: int, default=None

  在多分類時使用的CPU數量，默認為None（或1），若為-1則使用所有CPU

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

  當 shuffle =True時，用于標記打亂訓練數據的隨機種子，可以方便下次復用

• early_stopping: bool, default=False

  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，它將自動留出訓練數據的分層部分作為驗證，并在n_iter_no_change連續周期的驗證得分沒有提高至少tol時終止訓練。

• validation_fraction: float, default=0.1

  訓練數據的比例留作早期停止的驗證集。必須在0和1之間。僅在early_stopped為True時使用。

• n_iter_no_change: int, default=5

  在提前停止之前等待沒有改進的迭代數。

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

  與類關聯的權重。如果沒有給出，所有類的權重都是1。

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

• warm_start: bool, default=False

  若為True則調用前一次設置的參數，使用之前設置的參數,詳情見warm_start詳解

屬性

• classes_: ndarray of shape (n_classes,)

  放著y所有分類的數組，如感知機是array([-1., 1.])

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

  存放模型參數w，當為多(k)分類時，感知機啟用默認多分類規則one-vs-rest導致出現k個參數w

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

  存放模型參數b，當為多(k)分類時，感知機啟用默認多分類規則one-vs-rest導致出現k個參數b

• loss_function_: concrete LossFunction

  查看選取的損失函數

• n_features_in_: int

  fit期間的特征數量

• n_iter_: int

  達到停止條件的實際迭代次數。對于多分類擬合，它是每一個二元擬合的最大值。

• t_: int

  在訓練過程中進行重量更新的次數。與$(n\_iter\_?n\_samples)$相同。

方法

• decision_function(X)

  返回樣本到分類器分離超平面的距離，若對于多分類，則返回(樣本數，類別數)大小的數組表示，正數表示正類，負數表示負類，詳解見此鏈接:http://www.shdianci.com/article/24835.html

• densify()

  將coef_成員(返回)轉換為numpy.ndarray。這是coef_的默認格式，是擬合所必需的，因此只需要在先前被稀疏化的模型上調用此方法;否則，它就是無效的。

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

  隨機梯度下降擬合線性模型

  

• get_params([deep])

  

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

  對樣本進行一次隨機梯度下降，一次就結束，不保證效果

• predict(X)

  預測樣本的類別

  

• score(X, y[, sample_weight])

  輸入測試數據集，返回測試集中預測正確的樣本所占比例

  

• set_params(**params)

  修改模型的參數

• sparsify()

  將coef_數據稀疏化，變為scipy.sparse matrix格式，提高儲存效率，l1正則化模型在內存和存儲方面比通常的numpy要高效得多。可用densify()還原，注意！intercept_沒有被稀疏化