Conocer el número de iteraciones necesarias para la convergencia en SVR scikit-learn

Estoy tratando de optimizar un modelo de RVS y enfrentando un problema debido a un ajuste excesivo, para superar esto, he tratado de disminuir el número de iteraciones en lugar de dejarlo hasta la convergencia.

Para comparar los dos modelos necesito el número de iteraciones para ambos casos. ¿Cómo puedo saber la cantidad de iteraciones necesarias para la convergencia en caso de que esté abierta (max_iter = -1)?

• SKLearn: ¿Obtener la distancia de cada punto desde el límite de decisión?
• Predecir datos de entrenamiento en sklearn.
• ¿Cómo funciona internamente la función predict_proba () de sklearn.svm.svc?
• Elegir entre diferentes funciones de costo y función de activación de una neural network
• Prepare los datos para la clasificación de texto usando Scikit Learn SVM

Este es mi código:

model_1=SVR(kernel='rbf', C=316, epsilon=0, gamma=0.003162,max_iter=2500) model_1.fit(tr_sets[:,:2],tr_sets[:,2]) print(model_1.score) model_2=SVR(kernel='rbf', C=316, epsilon=0, gamma=0.003162,max_iter=-1) model_2.fit(tr_sets[:,:2],tr_sets[:,2]) print(model_2.score) 

Edición: el problema ahora se resuelve para el IDE de IPython estableciendo verbose=2 pero aún es necesario verlo en el cuaderno Jupyter, el spyder o en un archivo externo, ya que la opción verbose parece funcionar solo con el IDE de IPython

• Probabilidades confusas del predict_proba de svm de scikit-learn
• ¿Puedo obtener una lista de predicciones erróneas en la función de puntuación de SVM en scikit-learn?
• ¿Cómo usar un kernel SVM personalizado?
• SKAprende cómo obtener probabilidades de decisión para el clasificador LinearSVC
• Qué significa entrenar SVM

 from sklearn.svm import SVR import numpy as np n_samples, n_features = 10, 5 np.random.seed(0) y = np.random.randn(n_samples) X = np.random.randn(n_samples, n_features) clf = SVR(C=1.0, epsilon=0.2,verbose=2) clf.fit(X, y) 

 optimization finished, #iter = 4 obj = -4.366801, rho = -0.910470 nSV = 7, nBSV = 5