svm_classifier#

支持向量机分类器。

模块内容#

类摘要#

SVMClassifier

支持向量机分类器。

目录#

class evalml.pipelines.components.estimators.classifiers.svm_classifier.SVMClassifier(C=1.0, kernel='rbf', gamma='auto', probability=True, random_seed=0, **kwargs)[源]#

支持向量机分类器。

参数

C (float) – 正则化参数。正则化的强度与 C 成反比。必须是严格正数。惩罚项是平方 l2 惩罚。默认为 1.0。
kernel ({"poly", "rbf", "sigmoid"}) – 指定算法中使用的核类型。默认为“rbf”。
gamma ({"scale", "auto"} 或 float) – “rbf”、“poly”和“sigmoid”的核系数。默认为“auto”。 - 如果传递 gamma='scale'，则使用 1 / (n_features * X.var()) 作为 gamma 的值 - 如果是“auto”（默认），则使用 1 / n_features
probability (boolean) – 是否启用概率估计。默认为 True。
random_seed (int) – 随机数生成器的种子。默认为 0。

属性

hyperparameter_ranges	{ “C”: Real(0, 10), “kernel”: [“poly”, “rbf”, “sigmoid”], “gamma”: [“scale”, “auto”],}
model_family	ModelFamily.SVM
modifies_features	True
modifies_target	False
name	SVM 分类器
supported_problem_types	[ ProblemTypes.BINARY, ProblemTypes.MULTICLASS, ProblemTypes.TIME_SERIES_BINARY, ProblemTypes.TIME_SERIES_MULTICLASS,]
training_only	False

方法

`clone`	使用相同的参数和随机状态构造新组件。
`default_parameters`	返回此组件的默认参数。
`describe`	描述组件及其参数。
`feature_importance`	特征重要性仅适用于线性核。
`fit`	将估计器拟合到数据。
`get_prediction_intervals`	使用已拟合的回归器查找预测区间。
`load`	从文件路径加载组件。
`needs_fitting`	返回布尔值，确定组件在调用 predict、predict_proba、transform 或 feature_importances 之前是否需要拟合。
`parameters`	返回用于初始化组件的参数。
`predict`	使用选定的特征进行预测。
`predict_proba`	对标签进行概率估计。
`save`	将组件保存到文件路径。
`update_parameters`	更新组件的参数字典。

clone(self)#

使用相同的参数和随机状态构造新组件。

返回: 此组件的新实例，具有相同的参数和随机状态。

default_parameters(cls)#

返回此组件的默认参数。

我们的约定是 Component.default_parameters == Component().parameters。

返回: 此组件的默认参数。
返回类型: dict

describe(self, print_name=False, return_dict=False)#

描述组件及其参数。

参数

print_name (bool, 可选) – 是否打印组件名称
return_dict (bool, 可选) – 是否将描述作为字典返回，格式为 {“name”: name, “parameters”: parameters}

返回

如果 return_dict 为 True 则返回字典，否则返回 None。

返回类型

None or dict

属性 feature_importance(self)#

特征重要性仅适用于线性核。

如果核不是线性的，我们返回一个零的 numpy 数组。

返回: 已拟合 SVM 分类器的特征重要性，如果核不是线性的，则返回一个零的 numpy 数组。

fit(self, X: pandas.DataFrame, y: Optional[pandas.Series] = None)#

将估计器拟合到数据。

参数

X (pd.DataFrame) – 输入训练数据，形状为 [n_samples, n_features]。
y (pd.Series, 可选) – 目标训练数据，长度为 [n_samples]。

返回

self

get_prediction_intervals(self, X: pandas.DataFrame, y: Optional[pandas.Series] = None, coverage: List[float] =None, predictions: pandas.Series =None) → Dict[str, pandas.Series]#

使用已拟合的回归器查找预测区间。

此函数获取已拟合估计器的预测值，并使用窗口大小为 5 计算所有预测值的滚动标准差。通过将每个边界处下尾概率的百分点（分位数）函数乘以滚动标准差来确定下限和上限预测值。

参数

X (pd.DataFrame) – 数据，形状为 [n_samples, n_features]。
y (pd.Series) – 目标数据。忽略。
coverage (list[float]) – 一个包含 0 到 1 之间的浮点数的列表，用于计算预测区间的上限和下限。
predictions (pd.Series) – 要使用的可选预测列表。如果为 None，将使用 X 生成预测。

返回

预测区间，键的格式为 {coverage}_lower 或 {coverage}_upper。

返回类型

dict

引发

MethodPropertyNotFoundError – 如果估计器不支持时间序列回归作为问题类型。

静态 load(file_path)#

从文件路径加载组件。

参数: file_path (str) – 加载文件的位置。
返回: ComponentBase object

needs_fitting(self)#

返回布尔值，确定组件在调用 predict、predict_proba、transform 或 feature_importances 之前是否需要拟合。

对于不需要拟合或其 fit 方法不执行任何操作的组件，可以将其覆盖为 False。

返回: True。

属性 parameters(self)#: 返回用于初始化组件的参数。

predict(self, X: pandas.DataFrame) → pandas.Series#

使用选定的特征进行预测。

参数: X (pd.DataFrame) – 数据，形状为 [n_samples, n_features]。
返回: 预测值。
返回类型: pd.Series
引发: MethodPropertyNotFoundError – 如果估计器没有 predict 方法或没有实现 predict 的 component_obj。

predict_proba(self, X: pandas.DataFrame) → pandas.Series#

对标签进行概率估计。

参数: X (pd.DataFrame) – 特征。
返回: 概率估计。
返回类型: pd.Series
引发: MethodPropertyNotFoundError – 如果估计器没有 predict_proba 方法或没有实现 predict_proba 的 component_obj。

save(self, file_path, pickle_protocol=cloudpickle.DEFAULT_PROTOCOL)#

将组件保存到文件路径。

参数

file_path (str) – 保存文件的位置。
pickle_protocol (int) – pickle 数据流格式。

update_parameters(self, update_dict, reset_fit=True)#

更新组件的参数字典。

参数

update_dict (dict) – 要更新的参数字典。
reset_fit (bool, 可选) – 如果为 True，将把 _is_fitted 设置为 False。