sklearn.svc 參數

sklearn.svc 參數

sklearn中的SVC函數是基於libsvm實現的，因此在參數設置上有不少類似的地方。（PS: libsvm中的二次規劃問題的解決算法是SMO）。

對於SVC函數的參數解釋以下：（主要翻譯的sklearn 文檔）

C: float參數 默認值爲1.0

錯誤項的懲罰係數。C越大，即對分錯樣本的懲罰程度越大，所以在訓練樣本中準確率越高，可是泛化能力下降，也就是對測試數據的分類準確率下降。相反，減少C的話，允許訓練樣本中有一些誤分類錯誤樣本，泛化能力強。對於訓練樣本帶有噪聲的狀況，通常採用後者，把訓練樣本集中錯誤分類的樣本做爲噪聲。

kernel: str參數 默認爲‘rbf’

算法中採用的核函數類型，可選參數有：

‘linear’:線性核函數

‘poly’：多項式核函數

‘rbf’：徑像核函數/高斯核

‘sigmod’:sigmod核函數

‘precomputed’:核矩陣

precomputed表示本身提早計算好核函數矩陣，這時候算法內部就再也不用核函數去計算核矩陣，而是直接用你給的核矩陣。核矩陣爲以下形式：

還有一點須要說明，除了上面限定的核函數外，還能夠給出本身定義的核函數，其實內部就是用你本身定義的核函數來計算核矩陣。

degree: int型參數 默認爲3

這個參數只對多項式核函數有用，是指多項式核函數的階數n

若是給的核函數參數是其餘核函數，則會自動忽略該參數。

gamma: float參數 默認爲auto

核函數係數，只對‘rbf’,‘poly’,‘sigmod’有效。

若是gamma爲auto，表明其值爲樣本特徵數的倒數，即1/n_features.

coef0: float參數 默認爲0.0

核函數中的獨立項，只有對‘poly’和‘sigmod’核函數有用，是指其中的參數c

probability： bool參數 默認爲False

是否啓用機率估計。 這必須在調用fit()以前啓用，而且會fit()方法速度變慢。

shrinking： bool參數 默認爲True

是否採用啓發式收縮方式

tol: float參數 默認爲1e^-3

svm中止訓練的偏差精度

cache_size： float參數 默認爲200

指定訓練所須要的內存，以MB爲單位，默認爲200MB。

class_weight： 字典類型或者‘balance’字符串。默認爲None

給每一個類別分別設置不一樣的懲罰參數C，若是沒有給，則會給全部類別都給C=1，即前面參數指出的參數C.

若是給定參數‘balance’，則使用y的值自動調整與輸入數據中的類頻率成反比的權重。

verbose ： bool參數 默認爲False

是否啓用詳細輸出。 此設置利用libsvm中的每一個進程運行時設置，若是啓用，可能沒法在多線程上下文中正常工做。通常狀況都設爲False，不用管它。

max_iter ： int參數 默認爲-1

最大迭代次數，若是爲-1，表示不限制

random_state： int型參數 默認爲None

僞隨機數發生器的種子,在混洗數據時用於機率估計。

★fit() 方法：用於訓練SVM，具體參數已經在定義SVC對象的時候給出了，這時候只須要給出數據集X和X對應的標籤y便可。

★predict() 方法: 基於以上的訓練，對預測樣本T進行類別預測，所以只須要接收一個測試集T，該函數返回一個數組表示個測試樣本的類別。

★屬性有哪些：

svc.n_support_：各種各有多少個支持向量

svc.support_：各種的支持向量在訓練樣本中的索引

svc.support_vectors_：各種全部的支持向量--------------------- 做者：二當家的掌櫃 來源：CSDN 原文：https://blog.csdn.net/github_39261590/article/details/75009069