sklearn中SVC和SVR的参数说明

SVC

转载于:机器学习笔记(3)-sklearn支持向量机SVM–Spytensor

官方源码

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)

参数解析

参数 含义 数据类型
C 表示错误项的惩罚系数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;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。 float参数 默认值为1.0
kernel 该参数用于选择模型所使用的核函数,算法中常用的核函数有:-- 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,该矩阵表示自己事先计算好的,输入后算法内部将使用你提供的矩阵进行计算 str参数 默认为‘rbf’
degree 该参数只对’kernel=poly’(多项式核函数)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。 int型参数 默认为3
gamma 该参数为核函数系数,只对‘rbf’,‘poly’,‘sigmod’有效。如果gamma设置为auto,代表其值为样本特征数的倒数,即1/n_features,也有其他值可设定。 float参数 默认为auto
coef0 该参数表示核函数中的独立项,只有对‘poly’和‘sigmod’核函数有用,是指其中的参数c。 float参数 默认为0.0
probability 该参数表示是否启用概率估计。 这必须在调用fit()之前启用,并且会使fit()方法速度变慢。 bool参数 默认为False
shrinkintol 该参数表示是否选用启发式收缩方式。 bool参数 默认为True
tol svm停止训练的误差精度,也即阈值。 float参数 默认为1e^-3
cache_size 该参数表示指定训练所需要的内存,以MB为单位,默认为200MB。 float参数 默认为200
class_weight 该参数表示给每个类别分别设置不同的惩罚参数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。 字典类型或者‘balance’字符串。默认为None
verbose 该参数表示是否启用详细输出。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。 bool参数 默认为False
max_iter 该参数表示最大迭代次数,如果设置为-1则表示不受限制。 int参数 默认为-1
random_state 该参数表示在混洗数据时所使用的伪随机数发生器的种子,如果选int,则为随机数生成器种子;如果选RandomState instance,则为随机数生成器;如果选None,则随机数生成器使用的是np.random int,RandomState instance ,None 默认为None

函数

函数 作用
svc.decision_function(X) 样本X到分离超平面的距离
svc.fit(X, y[, sample_weight]) 根据给定的训练数据拟合SVM模型。
svc.get_params([deep]) 获取此估算器的参数并以字典行书储存,默认deep=True,以分类iris数据集为例,得到的参数如下
svc.predict(X) 根据测试数据集进行预测
svc.score(X, y[, sample_weight]) 返回给定测试数据和标签的平均精确度
svc.predict_log_proba(X_test),svc.predict_proba(X_test) 当sklearn.svm.SVC(probability=True)时,才会有这两个值,分别得到样本的对数概率以及普通概率。

属性

属性 含义
svc.coef_[0] 权重
svc.intercept_ bias,偏差

SVR

参考:sklearn线性回归,支持向量机SVR回归,随机森林回归,神经网络回归参数解释及示例
sklearn.svm.SVR的参数介绍

官方源码

sklearn.svm.SVR(kernel ='rbf',degree = 3,gamma ='auto_deprecated',coef0 = 0.0,
        tol = 0.001,C = 1.0,epsilon = 0.1,shrinking = True,cache_size = 200,        
        verbose = False,max_iter = -1 )

参数解析

sklearn中SVC和SVR的参数说明

 

 

上一篇:关于Spring注入方式的几道面试题,你能答上么?


下一篇:K8S--SVC网络