sklearn.svm.l1_min_c¶
- sklearn.svm.l1_min_c()¶
Devuelve el límite inferior para C tal que para C en (l1_min_C, infinito) el modelo es garantizado a no estar vacío. Esto aplica a clasificadores penalizados con l1, tales como LinearSVC con penalty=”l1” y linear_model.LogisticRegression con penalty=”l1”.
Este valor es válido si el parámetro class_weight en fit() no está establecido.
- Parámetros
- X{array-like, sparse matrix} de forma (n_samples, n_features)
Vector de entrenamiento, donde n_samples es el número de muestras y n_features es el número de características.
- yarray-like de forma (n_samples,)
Vector objetivo relativo a X.
- loss{“squared_hinge”, “log”}, default=”squared_hinge”
Especifica la función de pérdida. Con “squared_hinge” es la pérdida de la bisagra cuadrada (también llamada perdida L2). Con “log” es la pérdida de modelos de regresión logística.
- fit_interceptbooleano, default=True
Especifica si el intercepto debe ser ajustado por el modelo. Debe coincidir con el parámetro de método fit().
- intercept_scalingflotante, default=1.0
cuando fit_intercept es True, el vector de instancia x se convierte en [x, intercept_scaling], es decir, una característica «sintética» con valor constante igual a intercept_scaling es anexada al vector de instancia. Debe coincidir con el parámetro fit().
- Devuelve
- l1_min_cde punto flotante (float)
valor mínimo para C
