Flink SVM算法参数

在机器学习中，支持向量机（SVM）是在分类与回归分析中分析数据的监督式学习模型。SVM模型是将实例表示为空间中的点，通过映射使得单独类别的实例被尽可能宽的明显间隔分开，然后将新的实例映射到同一空间中，并基于它们落在间隔的哪一侧来预测所属类别。除了进行线性分类外，SVM还可以使用所谓的核技巧有效地进行非线性分类，并将其输入隐式映射到高维特征空间中。

在 Flink中SVM是一个预测函数，含有ft和 predict两个方法，其中伍fit方法是基于训练数据集进行转化和训练，生成SVM模型；而 Predict方法使用已经训练好的模型进行预测，并生成 Labelvector类型预测结果。

针对SVM模型中参数配置如表所示，用户可以根据情况自行调整和优化。

SVM参数汇总

参数名称	参数说明	默认值
Blocks	设定介入的数据集将要被切分的Block数量，每块数据集上本地执行随机双坐标上升方法，且Blocks数量至少要和并行度一样	None
Iterations	最大迭代数量， 超过该值则终止迭代	10
LocalIterations	定义随机双坐标上升（SDCA）最大的迭代次数	10
Regurlarization	定义SVM算法正则化参数	1.0
Stepsize	定义更新权重向量的初始化步长，步长越长，则本次权重向量每次更新到下一个权重向量的贡献度将更多	1.0
ThresholdValue	定义正负标签确定函数的阈值，大于该值则认为是正标签，小于该值则认为是负标签	0.0
OutputDecisionFunction	确定预测和评估函数中应该返回的实例类型，设定为True返回超平面的原生实例类型，设定为False则返回Lable标签信息	False
Seed	初始化随机数的种子	随机值