Sklearn参数详解—SVM

总第108篇

本篇主要讲讲Sklearn中SVM,SVM主要有LinearSVC、NuSVC和SVC三种方法,我们将具体介绍这三种分类方法都有哪些参数值以及不同参数值的含义。

在开始看本篇前你可以看看这篇:支持向量机详解

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:正则化参数,L1和L2两种参数可选,仅LinearSVC有。 loss:损失函数,有‘hinge’和‘squared_hinge’两种可选,前者又称L1损失,后者称为L2损失,默认是是’squared_hinge’,其中hinge是SVM的标准损失,squared_hinge是hinge的平方。 dual:是否转化为对偶问题求解,默认是True。 tol:残差收敛条件,默认是0.0001,与LR中的一致。 C:惩罚系数,用来控制损失函数的惩罚系数,类似于LR中的正则化系数。 multi_class:负责多分类问题中分类策略制定,有‘ovr’和‘crammer_singer’ 两种参数值可选,默认值是’ovr’,'ovr'的分类原则是将待分类中的某一类当作正类,其他全部归为负类,通过这样求取得到每个类别作为正类时的正确率,取正确率最高的那个类别为正类;‘crammer_singer’ 是直接针对目标函数设置多个参数值,最后进行优化,得到不同类别的参数值大小。 fit_intercept:是否计算截距,与LR模型中的意思一致。 class_weight:与其他模型中参数含义一样,也是用来处理不平衡样本数据的,可以直接以字典的形式指定不同类别的权重,也可以使用balanced参数值。 verbose:是否冗余,默认是False. random_state:随机种子的大小。 max_iter:最大迭代次数,默认是1000。

对象

coef_:各特征的系数(重要性)。 intercept_:截距的大小(常数值)。

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:训练误差部分的上限和支持向量部分的下限,取值在(0,1)之间,默认是0.5 kernel:核函数,核函数是用来将非线性问题转化为线性问题的一种方法,默认是“rbf”核函数,常用的核函数有以下几种:

表示

解释

linear

线性核函数

poly

多项式核函数

rbf

高斯核函数

sigmod

sigmod核函数

precomputed

自定义核函数

关于不同核函数之间的区别,可以参考这篇文章:https://blog.csdn.net/batuwuhanpei/article/details/52354822

degree:当核函数是多项式核函数的时候,用来控制函数的最高次数。(多项式核函数是将低维的输入空间映射到高维的特征空间) gamma:核函数系数,默认是“auto”,即特征维度的倒数。 coef0:核函数常数值(y=kx+b中的b值),只有‘poly’和‘sigmoid’核函数有,默认值是0。 max_iter:最大迭代次数,默认值是-1,即没有限制。 probability:是否使用概率估计,默认是False。 decision_function_shape:与'multi_class'参数含义类似。 cache_size:缓冲大小,用来限制计算量大小,默认是200M。

对象

support_:以数组的形式返回支持向量的索引。 support_vectors_:返回支持向量。 n_support_:每个类别支持向量的个数。 dual_coef_:支持向量系数。 coef_:每个特征系数(重要性),只有核函数是LinearSVC的时候可用。 intercept_:截距值(常数值)。

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:惩罚系数。 SVC和NuSVC方法基本一致,唯一区别就是损失函数的度量方式不同(NuSVC中的nu参数和SVC中的C参数)。

方法

三种分类方法的方法基本一致,所以就一起来说啦。

decision_function(X):获取数据集X到分离超平面的距离。 fit(X, y):在数据集(X,y)上使用SVM模型。 get_params([deep]):获取模型的参数。 predict(X):预测数据值X的标签。 score(X,y):返回给定测试集和对应标签的平均准确率。

原文发布于微信公众号 - 张俊红(zhangjunhong0428)

原文发表时间:2018-05-26

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏用户2442861的专栏

Logistic回归与梯度下降法

http://blog.csdn.net/acdreamers/article/details/44657979

511
来自专栏文武兼修ing——机器学习与IC设计

Deep-compression阅读笔记基本步骤相关分析总结

以上是Deep compression中所述的神经网络压缩方法,主要包括三个步骤:

732
来自专栏机器之心

教程 | 从字符级的语言建模开始,了解语言模型与序列建模的基本概念

选自imaddabbura 机器之心编译 你有没有想过 Gmail 自动回复是如何进行的?或者手机在你输入文本时如何对下一个词提出建议?生成文本序列的通常方式是...

2965
来自专栏木子昭的博客

万能的0和1 之 字典特征抽取

机器是无法识别自然语言的,机器只能识别0和1,经典的案例就是字典特征抽取 0表示不存在 1表示存在 以国漫人物信息,做示例 原始数据 ? ...

2728
来自专栏https://www.cnblogs.com/L

【TensorFlow篇】--Tensorflow框架实现SoftMax模型识别手写数字集

本文讲述用Tensorflow框架实现SoftMax模型识别手写数字集,来实现多分类。

801
来自专栏Java 源码分析

动态规划

​ 动态规划一般来说和分治有点类似都是让他们去处理相同的子问题,但是在动态规划里面你会遇到更多的相同子问题。然后我们就会导致很多的重复计算,所以一般我们可...

2785
来自专栏人工智能头条

实战 | 手把手教你用PyTorch实现图像描述(附完整代码)

1K7
来自专栏小樱的经验随笔

个人整理方幂和公式(∑i^k 公式)

有个Oier小学妹问了我一个Σi^k,i<=1e8 ,k<=1e6的问题,我认为这个用伯努利数列可能可以解决他的问题,所以整理了以下文章,给学弟学习学习~~~本...

2624
来自专栏人工智能头条

十分钟掌握Keras实现RNN的seq2seq学习

1194
来自专栏程序生活

Char RNN原理介绍以及文本生成实践

下面是一个利用Char RNN实现写诗的应用,代码来自来自原先比较火的项目:https://github.com/jinfagang/tensorflow_po...

601

扫码关注云+社区