sklearn參數詳解—SVM

mp.weixin.qq.com

LinearSVC

class sklearn.svm.LinearSVC(penalty=l2, loss=squared_hinge, dual=True, tol=0.0001, C=1.0, multi_class=ovr, fit_intercept=True, intercept_scaling=1, class_weight=None, verbose=0, random_state=None, max_iter=1000)

penalty:正則化參數，L1和L2兩種參數可選，僅LinearSVC有。

loss:損失函數，有『hinge』和『squared_hinge』兩種可選，前者又稱L1損失，後者稱為L2損失，默認是是』squared_hinge』，其中hinge是SVM的標準損失，squared_hinge是hinge的平方。dual:是否轉化為對偶問題求解，默認是True。

tol:殘差收斂條件，默認是0.0001，與LR中的一致。

C:懲罰係數，用來控制損失函數的懲罰係數，類似於LR中的正則化係數。

multi_class:負責多分類問題中分類策略制定，有『ovr』和『crammer_singer』 兩種參數值可選，默認值是』ovr』，ovr的分類原則是將待分類中的某一類當作正類，其他全部歸為負類，通過這樣求取得到每個類別作為正類時的正確率，取正確率最高的那個類別為正類；

『crammer_singer』 是直接針對目標函數設置多個參數值，最後進行優化，得到不同類別的參數值大小。

fit_intercept:是否計算截距，與LR模型中的意思一致。

class_weight:與其他模型中參數含義一樣，也是用來處理不平衡樣本數據的，可以直接以字典的形式指定不同類別的權重，也可以使用balanced參數值。

verbose:是否冗餘，默認是False。

random_state:隨機種子的大小。

max_iter:最大迭代次數，默認是1000。

對象

coef_:各特徵的係數（重要性）。

intercept_:截距的大小（常數值）。

NuSVC

class sklearn.svm.NuSVC(nu=0.5, 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))

nu:訓練誤差部分的上限和支持向量部分的下限，取值在（0，1）之間，默認是0.5kernel:核函數，核函數是用來將非線性問題轉化為線性問題的一種方法，默認是「rbf」核函數，常用的核函數有以下幾種：

表示解釋linear線性核函數poly多項式核函數rbf高斯核函數sigmodsigmod核函數precomputed自定義核函數

關於不同核函數之間的區別，可以參考這篇文章：https://blog.csdn.net/batuwuhanpei/article/details/52354822

degree:當核函數是多項式核函數的時候，用來控制函數的最高次數。（多項式核函數是將低維的輸入空間映射到高維的特徵空間）

gamma:核函數係數，默認是「auto」，即特徵維度的倒數。

coef0:核函數常數值(y=kx+b中的b值)，只有『poly』和『sigmoid』核函數有，默認值是0。

max_iter:最大迭代次數，默認值是-1，即沒有限制。

probability:是否使用概率估計，默認是False。

decision_function_shape:與multi_class參數含義類似。

cache_size:緩衝大小，用來限制計算量大小，默認是200M。

對象

support_:以數組的形式返回支持向量的索引。

support_vectors_:返回支持向量。

n_support_:每個類別支持向量的個數。

dual_coef_:支持向量係數。

coef_:每個特徵係數（重要性），只有核函數是LinearSVC的時候可用。

intercept_:截距值（常數值）。

SVC

class sklearn.svm.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)

C:懲罰係數。

方法

三種分類方法的方法基本一致，所以就一起來說啦。

decision_function(X):獲取數據集X到分離超平面的距離。

fit(X, y):在數據集(X,y)上使用SVM模型。

get_params([deep]):獲取模型的參數。

predict(X):預測數據值X的標籤。

score(X,y):返回給定測試集和對應標籤的平均準確率