4.2 分类函数
4.2.1 MLPClassifier
MLPClassifier（hidden_layer_sizes =（100，），activation =‘relu’，solver =‘adam’，alpha = 0.0001，batch_size =‘auto’，learning_rate =‘constant’，learning_rate_init = 0.001，power_t = 0.5，max_iter = 200，shuffle = True，random_state = None，tol = 0.0001，verbose = False，warm_start = False，momentum = 0.9，nesterovs_momentum = True，early_stopping = False，validation_fraction = 0.1，beta_1 = 0.9，beta_2 = 0.999，epsilon = 1e-08 ）
参数解释(Parameters):
hidden_layer_sizes : tuple, length = n_layers - 2, default (100,) #第i个元素表示第i个隐藏层中的神经元数量
activation : {‘identity’, ‘logistic’, ‘tanh’, ‘relu’}, default ‘relu’ #隐藏层的激活函数
solver : {‘lbfgs’, ‘sgd’, ‘adam’}, default ‘adam’ #权重优化的求解器
learning_rate : {‘constant’, ‘invscaling’, ‘adaptive’}, default ‘constant’#学习率
max_iter：int，optional，default 200 #最大迭代次数
early_stopping : bool, default False #当验证评分没有改善时，是否使用提前停止来终止培训
属性(Attributes):
classes_ : array or list of array of shape (n_classes,) #每个输出的类标签
loss_ : float #使用损失函数计算的当前损失
coefs_ : list, length n_layers - 1 #列表中的第i个元素表示对应于层i的权重矩阵
intercepts_ : list, length n_layers - 1 #列表中的第i个元素表示对应于层i + 1的偏置矢量
n_iter_ : int, #求解器运行的迭代次数
n_layers_ : int #层数
n_outputs_ : int #输出个数
out_activation_ : string #输出激活功能的名称
方法(Methods)：
fit（X，y） #使模型适合数据矩阵X和目标y。
get_params（[deep]） #获取此估算工具的参数。
predict（X） #预测使用多层感知器分类器
predict_log_proba（X） #返回概率估计的对数。
predict_proba（X） #概率估计。
score（X，y [，sample_weight]） #返回给定测试数据和标签的平均准确度。
set_params（** PARAMS） #设置此估算器的参数。
4.2.2 SVC
SVC(C=1.0, kernel=‘rbf’, degree=3, gamma=‘auto’, coef0=0.0, shrinking=True, probability=False, tol=0.001, cache_size=200, class_weight=None, verbose=False, max_iter=-1, decision_function_shape=‘ovr’, random_state=None)
参数解释(Parameters):
C : float, optional (default=1.0) # 惩罚参数C.
kernel : string, optional (default=’rbf’) # 指定要在算法中使用的内核类型
degree : int, optional (default=3) # 多项式核函数的次数（'poly'）被所有其他内核忽略
gamma : float, optional (default=’auto’) # 'rbf'，'poly'和'sigmoid'的核系数
属性(Attributes):
support_ : array-like, shape = [n_SV] # 支持向量指数
support_vectors_：array-like，shape = [n_SV，n_features] # 支持向量
n_support_：array-like，dtype = int32，shape = [n_class] # 每个类的支持向量数。
dual_coef_：array，shape = [n_class-1，n_SV] # 决策函数中支持向量的系数
coef_：array，shape = [n_class-1，n_features] # 赋予特征的权重（原始问题中的系数）这仅适用于线性内核
intercept_：array，shape = [n_class *（n_class-1）/ 2] # 决策函数中的常量
方法(Methods)：
decision_function（X） #样品X到分离超平面的距离。
fit（X，y [，sample_weight]） #根据给定的训练数据拟合SVM模型。
get_params（[deep]） #获取此估算工具的参数。
predict（X） #对X中的样本进行分类。
score（X，y [，sample_weight]） #返回给定测试数据和标签的平均准确度。
set_params（** PARAMS） #设置此估算器的参数。