目录
1. 前言
- 转载请注明出处
- 文章中有一部分内容是个人理解，所以内容仅供参考
- 这里是官方说明文档传送门：sklearn.svm.SVR
- 本文可当做开发时的开发手册作为参考，建议收藏
2. 简介
- SVR为Support Vector Regression的简写，顾名思义，其是基于支持向量的回归器
- 模型中的两个*参数为
C和epsilon，*参数不能通过理论推测，可以通过实验、科研猜测和随机指定来设置，即*参数的调节是个玄学，没有理论指导
- SVR是基于libsvm实现的
- SVR的拟合时间是和样本数量呈二次方指数关系，因此这一分类模型适用于样本较小的情况，如果样本量过大（>1W），建议使用其他回归模型，例如
LinearSVR或者SGDRegressor
3. 语法
3.1 API形式
SVR(*, kernel='rbf', degree=3, gamma='scale', coef0=0.0, tol=0.001, C=1.0, epsilon=0.1, shrinking=True,
cache_size=200, verbose=False, max_iter=- 1)
3.2 参数说明
| 参数 |
名称 |
数据 |
作用 |
| kernel |
核函数 |
|
|
| degree |
多项式核函数的维度 |
|
|
| gamma |
|
|
|
| coef0 |
|
|
|
| tol |
|
|
|
| C |
正则化系数 |
1. float类型，默认值为1.0 |
|
| epsilon |
|
|
|
| shrinking |
|
|
|
| cache_size |
|
|
|
| verbose |
|
|
|
| max_iter |
|
|
|
3.3 属性说明
| 属性 |
名称 |
数据 |
作用 |
| class_weight |
|
|
|
| coef_ |
|
|
|
| dual_coef_ |
|
|
|
| fit_status_ |
|
|
|
| intercept_ |
|
|
|
| n_features_in_ |
|
|
|
| feature_names_in_ |
|
|
|
| n_support_ |
|
|
|
| shape_fit_ |
|
|
|
| support_ |
|
|
|
| **support_vectors_ ** |
|
|
|
4. 方法说明
4.1 fit(X, y, sample_weight=None)
4.2 get_params(deep=True)
4.3 predict(X)
4.4 score(X, y, sample_weight=None)
4.5 set_params(**params)
5. 总结
6. 参考资料
- sklearn.svm.SVR
- 百度百科：*参数
- Wikipedia：Free parameter
- LIBSVM: A Library for Support Vector Machines