sklearn.linear_model.PassiveAggressiveClassifier

class sklearn.linear_model.PassiveAggressiveClassifier

Clasificador agresivo pasivo (Passive Aggressive Classifier)

Más información en el Manual de usuario.

Parámetros

Cfloat, default=1.0

Tamaño máximo del paso o step (regularización). El valor predeterminado es 1.0.

fit_interceptbool, default=True

Si el intercepto debe ser estimado o no. Si es False, se asume que los datos ya están centrados.

max_iterint, default=1000

El número máximo de pasadas sobre los datos de entrenamiento (también conocido como épocas o epochs). Sólo afecta al comportamiento del método fit, y no al método partial_fit.

Nuevo en la versión 0.19.

tolfloat o None, default=1e-3

El criterio de parada. Si no es None, las iteraciones se detendrán cuando (loss > previous_loss - tol).

Nuevo en la versión 0.19.

early_stoppingbool, default=False

Indica si se utiliza la parada anticipada para finalizar el entrenamiento cuando la puntuación de validación no mejora. Si se establece en True, se reservará automáticamente una fracción estratificada de los datos de entrenamiento como validación y se finalizará el entrenamiento cuando la puntuación de validación no mejore en al menos tol para n_iter_no_change épocas consecutivas.

Nuevo en la versión 0.20.

validation_fractionfloat, default=0.1

La proporción de los datos de entrenamiento que se reservan como conjunto de validación para la parada anticipada. Debe estar entre 0 y 1. Sólo se utiliza si early_stopping es True.

Nuevo en la versión 0.20.

n_iter_no_changeint, default=5

Número de iteraciones sin mejora que hay que esperar antes de la parada anticipada.

Nuevo en la versión 0.20.

shufflebool, default=True

Si los datos de entrenamiento deben ser aleatorizados o no después de cada época.

verboseentero, default=0

Nivel de verbosidad

losscadena de caracteres, default=»hinge»

La función de pérdida que se utilizará: hinge: equivalente a PA-I en el documento de referencia. squared_hinge: equivalente a PA-II en el documento de referencia.

n_jobsint o None, default=None

El número de CPUs a utilizar para realizar el cálculo OVA (Uno Contra Todos, One Versus All, para problemas multiclase). None significa 1 a menos que esté en un contexto joblib.parallel_backend. -1 significa utilizar todos los procesadores. Ver Glosario para más detalles.

random_stateentero, instancia de RandomState, default=None

Se utiliza para reorganizar al azar los datos de entrenamiento, cuando shuffle se establece en True. Introduce un int para una salida reproducible a través de múltiples invocaciones de la función. Ver Glosario.

warm_startbool, default=False

Cuando se establece a True, reutiliza la solución de la llamada anterior para ajustar como inicialización, de lo contrario, solamente borrará la solución anterior. Ver Glosario.

Invocar repetidamente a fit o partial_fit cuando warm_start es True puede dar lugar a una solución diferente que cuando se invoca a fit una sola vez debido a la forma en que se mezclan al azar los datos.

class_weightdict, {class_label: weight} or «balanced» or None, default=None

Preajuste para el parámetro de ajuste class_weight.

Ponderación asociada a las clases. Si no se da, se supone que todas las clases tienen ponderación uno.

El modo «balanced» utiliza los valores de y para ajustar automáticamente las ponderaciones inversamente proporcionales a las frecuencias de clase en los datos de entrada como n_samples / (n_classes * np.bincount(y))

Nuevo en la versión 0.17: parámetro class_weight para ponderar automáticamente las muestras.

averagebool o int, default=False

Si se establece como True, calcula el promedio de los ponderados SGD en todas las actualizaciones y almacena el resultado en el atributo coef_. Si se establece como un int mayor que 1, el promedio comenzará una vez que el número total de muestras vistas alcance el average. Así, average=10 se empieza a promediar después de ver 10 muestras.

Nuevo en la versión 0.19: parámetro average para utilizar el promedio de pesos en SGD

Atributos

coef_arreglo, forma = [1, n_features] si n_classes == 2 de lo contrario [n_classes, n_features]

Ponderaciones asignadas a las características.

intercept_arreglo, forma = [1] si n_classes == 2 de lo contrario [n_classes]

Constantes en la función de decisión.

n_iter_int

El número real de iteraciones para alcanzar el criterio de parada. Para los ajustes multiclase, es el máximo sobre cada ajuste binario.

classes_arreglo de forma (n_classes,)

Etiquetas de clase únicas.

t_int

Número de actualizaciones de peso realizadas durante el entrenamiento. Igual a (n_iter_ * n_samples).

loss_function_invocable

Función de pérdida utilizada por el algoritmo.

Ver también

SGDClassifier

Perceptron

Referencias

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)

Ejemplos

>>> 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]

Métodos

decision_function	Predecir las puntuaciones de confianza (confidence scores) de las muestras.
densify	Convierte la matriz de coeficientes en formato de arreglo denso.
fit	Ajuste del modelo lineal con el algoritmo pasivo-agresivo (Passive Aggresive algorithm).
get_params	Obtiene los parámetros para este estimador.
partial_fit	Ajuste del modelo lineal con el algoritmo pasivo-agresivo (Passive Aggresive algorithm).
predict	Predice las etiquetas de clase para las muestras en X.
score	Devuelve la precisión media en los datos de prueba y las etiquetas dados.
set_params	Establece y validar los parámetros del estimador.
sparsify	Convierte la matriz de coeficientes en formato disperso.

decision_function()

Predecir las puntuaciones de confianza (confidence scores) de las muestras.

La puntuación de confianza de una muestra es proporcional a la distancia con signo de esa muestra al hiperplano.

Parámetros

Xarray-like o matriz dispersa, forma (n_samples, n_features)

Muestras.

Devuelve

arreglo, forma=(n_samples,) si n_classes == 2 de lo contrario (n_samples, n_classes)

Puntuaciones de confianza por combinación (muestra, clase). En el caso binario, la puntuación de confianza para self.classes_[1] donde >0 significa que esta clase sería predicha.

densify()

Convierte la matriz de coeficientes en formato de arreglo denso.

Convierte el miembro coef_ (de vuelta) en un numpy.ndarray. Este es el formato predeterminado de coef_ y se requiere para el ajuste, por lo que invocar este método sólo es necesario en los modelos que han sido previamente dispersados (sparsified); de lo contrario, es un no-op.

Devuelve

self

Estimador ajustado.

fit()

Ajuste del modelo lineal con el algoritmo pasivo-agresivo (Passive Aggresive algorithm).

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features)

Datos del entrenamiento

yarreglo de forma [n_samples]

Valores objetivo

coef_initarreglo, forma = [n_classes,n_features]

Los coeficientes iniciales para iniciar la optimización en caliente (warm-start).

intercept_initarreglo, forma = [n_classes]

La interceptación inicial para el arranque en caliente de la optimización.

Devuelve

selfdevuelve una instancia de sí misma.

get_params()

Obtiene los parámetros para este estimador.

Parámetros

deepbool, default=True

Si es True, devolverá los parámetros para este estimador y los subobjetos contenidos que son estimadores.

Devuelve

paramsdict

Nombres de parámetros mapeados a sus valores.

partial_fit()

Ajuste del modelo lineal con el algoritmo pasivo-agresivo (Passive Aggresive algorithm).

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features)

Subconjunto de los datos de entrenamiento

yarreglo de forma [n_samples]

Subconjunto de los valores objetivos

classesarreglo, forma = [n_classes]

Clases a través de todas las invocaciones a partial_fit. Puede obtenerse mediante np.unique(y_all), donde y_all es el vector objetivo de todo el conjunto de datos. Este argumento es necesario para la primera invocación a partial_fit y puede omitirse en las siguientes. Ten en cuenta que no es necesario que y contenga todas las etiquetas de classes.

Devuelve

selfdevuelve una instancia de sí misma.

predict()

Predice las etiquetas de clase para las muestras en X.

Parámetros

Xarray-like o matriz dispersa, forma (n_samples, n_features)

Muestras.

Devuelve

Carreglo, forma [n_samples]

Etiqueta de clase predicha por muestra.

score()

Devuelve la precisión media en los datos de prueba y las etiquetas dados.

En la clasificación multietiqueta, se trata de la precisión del subconjunto, que es una métrica rigurosa, ya que se requiere para cada muestra que cada conjunto de etiquetas sea predicho correctamente.

Parámetros

Xarray-like de forma (n_samples, n_features)

Muestras de prueba.

yarray-like de forma (n_samples,) o (n_samples, n_outputs)

Etiquetas verdaderas para X.

sample_weightarray-like de forma (n_samples,), default=None

Ponderaciones de muestra.

Devuelve

scorefloat

Precisión media de self.predict(X) con relación a y.

set_params()

Establece y validar los parámetros del estimador.

Parámetros

**kwargsdict

Parámetros del estimador.

Devuelve

selfobject

Instancia de estimador.

sparsify()

Convierte la matriz de coeficientes en formato disperso.

Convierte el miembro coef_ en una matriz scipy.sparse, que para los modelos L1-regularizados puede ser mucho más eficiente en cuanto a memoria y almacenamiento que la representación numpy.ndarray habitual.

El miembro intercept_ no se convierte.

Devuelve

self

Estimador ajustado.

Notas

Para los modelos no dispersos, es decir, cuando no hay muchos ceros en coef_, esto puede en realidad aumentar el uso de la memoria, así que utilice este método con cuidado. Una regla general es que el número de elementos cero, que puede ser calculado con (coef_ == 0).sum(), debe ser más del 50% para que esto proporcione beneficios significativos.

Después de invocar a este método, el ajuste posterior con el método partial_fit (si lo hay) no funcionará hasta que llames a densify.

Ejemplos usando sklearn.linear_model.PassiveAggressiveClassifier

Clasificación de documentos de texto fuera del núcleo

Comparación de varios solucionadores en línea

Clasificación de documentos de texto utilizando características dispersas