sklearn-SVC实现与类参数
对应的API：http://scikit-learn.sourceforge.net/stable/modules/generated/sklearn.svm.SVC.html
它是基于libsvm实现的。随着样本数量的增加，拟合时间的复杂度要高于二次，这就使得当样板数量超过一万个时，很难扩展到数据集中。
在多类处理时，是按照1对1的方案进行处理的。
函数的的定义为：
def __init__ (self, C=1.0, kernel='rbf', degree=3, gamma='auto',coef0=0.0, verbose=False, max_iter=-1, decision_function_shape='ovr', random_state=None):
参数的含义：
- C：float参数 默认值为1.0。错误项的惩罚系数。C越大，即对分错样本的惩罚程度越大，因此在训练样本中准确率越高，但是泛化能力降低，也就是对测试数据的分类准确率降低。相反，减小C的话，容许训练样本中有一些误分类错误样本，泛化能力强。对于训练样本带有噪声的情况，一般采用后者，把训练样本集中错误分类的样本作为噪声。
- kernel: str参数 默认为‘rbf‘，算法中采用的核函数类型，可选参数有：
linear：线性核函数
poly：多项式核函数
rbf：径像核函数/高斯核
sigmod：sigmod核函数
precomputed：核矩阵
- degree :int型参数 (default=3)，这个参数只对多项式核函数（poly）有用，是指多项式核函数的阶数n，如果给的核函数参数是其他核函数，则会自动忽略该参数。
- gamma：float参数，默认为auto核函数系数，只对'rbf'、 ‘poly' 、 ‘sigmoid'有效。
如果gamma为auto，代表其值为样本特征数的倒数，即1/n_features。
- coef0：float参数 默认为0.0
核函数中的独立项，只有对‘poly'和‘sigmod'核函数有用，是指其中的参数c
- probability：bool参数 默认为False
是否启用概率估计。 这必须在调用fit()之前启用，并且会fit()方法速度变慢。
- shrinking：bool参数 默认为True
是否采用启发式收缩方式。
- tol: float参数 默认为1e^-3
svm停止训练的误差精度。
- cache_size：float参数 默认为200
指定训练所需要的内存，以MB为单位，默认为200MB。 - class_weight：字典类型或者‘balance'字符串。默认为None
给每个类别分别设置不同的惩罚参数C，则该类别的惩罚系数为class_weight[i]*C，如果没有给，则会给所有类别都给C=1，即前面参数指出的参数C。
如果给定参数‘balance'，则使用y的值自动调整与输入数据中的类频率成反比的权重。
- verbose ：bool参数 默认为False
是否启用详细输出。 此设置利用libsvm中的每个进程运行时设置，如果启用，可能无法在多线程上下文中正常工作。一般情况都设为False，不用管它。
- max_iter ：int参数 默认为-1
最大迭代次数，如果为-1，表示不限制
- random_state：int型参数 默认为None
伪随机数发生器的种子,在混洗数据时用于概率估计。
SVC的方法
1、fit()方法：用于训练SVM，具体参数已经在定义SVC对象的时候给出了，这时候只需要给出数据集X和X对应的标签y即可。
2、predict()方法：基于以上的训练，对预测样本T进行类别预测，因此只需要接收一个测试集T，该函数返回一个数组表示个测试样本的类别。
3、predict_proba()：返回每个输入类别的概率，这与predict方法不同，predict方法返回的输入样本属于那个类别，但没有概率。使用此方法时，需要在初始化时，将 probability参数设置为True。
例如：
import numpy as np import matplotlib.pyplot as plt from sklearn import svm # we create 40 separable points np.random.seed(0) X = np.r_[np.random.randn(20, 2) - [2, 2], np.random.randn(20, 2) + [2, 2]] Y = [0] * 20 + [1] * 20 # fit the model clf = svm.SVC(kernel='linear',probability=True) clf.fit(X, Y) print(clf.predict_proba([[-0.1,0.7],[0.3,0.5]])) #result #[[ 0.41844015 0.58155985] #[ 0.34810738 0.65189262]]
如果初始化时不适用probability参数：
clf = svm.SVC(kernel='linear') clf.fit(X, Y) print(clf.predict([[-0.1,0.7],[0.3,0.5]])) # get the separating hyperplane w = clf.coef_[0] #输出的结果为：[1,1]
属性有哪些：
svc.n_support_：各类各有多少个支持向量
svc.support_：各类的支持向量在训练样本中的索引
svc.support_vectors_：各类所有的支持向量
以上这篇sklearn-SVC实现与类参数详解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。