Scikit-Learn

libsvm
. That’s the reason 
LinearSVR
has more flexibility in the choice of 
penalties and loss functions. It also scales better to large number of samples.
If we talk about its parameters and attributes then it does not support 
‘kernel’
because 
it is assumed to be linear and it also lacks some of the attributes like 
support_, 
support_vectors_, n_support_, fit_status_ 
and,
 dual_coef_
.
However, it supports ‘loss’ parameters as follows: 

loss: 
string, optional, default = ‘epsilon_insensitive’
 
It represents the loss function where epsilon_insensitive loss is the L1 loss and the squared 
epsilon-insensitive loss is the L2 loss.
 
Implementation Example 
Following Python script uses 
sklearn.svm.LinearSVR
class
: 
from sklearn.svm import LinearSVR 
from sklearn.datasets import make_regression 
X, y = make_regression(n_features=4, random_state=0) 
LSVRReg = LinearSVR(dual = False, random_state=0,
loss='squared_epsilon_insensitive',tol=1e-5) 

---

Scikit-Learn
74 
LSVRReg.fit(X, y) 
Output 
LinearSVR(C=1.0, dual=False, epsilon=0.0, fit_intercept=True, 
intercept_scaling=1.0, loss='squared_epsilon_insensitive', 
max_iter=1000, random_state=0, tol=1e-05, verbose=0)
Now, once fitted, the model can predict new values as follows: 
LSRReg.predict([[0,0,0,0]]) 
Output 
array([-0.01041416]) 
For the above example, we can get the weight vector with the help of following python 
script: 
LSRReg.coef_ 
Output 
array([20.47354746, 34.08619401, 67.23189022, 87.47017787]) 
Similarly, we can get the value of intercept with the help of following python script: 
LSRReg.intercept_ 
Output 
array([-0.01041416])

---

Scikit-Learn
75 
Here, we will learn about what is anomaly detection in Sklearn and how it is used in 
identification of the data points. 
Anomaly detection is a technique used to identify data points in dataset that does not fit 
well with the rest of the data. It has many applications in business such as fraud detection, 
intrusion detection, system health monitoring, surveillance, and predictive maintenance. 
Anomalies, which are also called outlier, can be divided into following three categories: 
