sklearn.svm.SVC
class sklearn.svm.SVC(C = 1.0,kernel ='rbf',
degree = 3,gamma ='auto_deprecated',
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:
C : float,可选(默认值= 1.0) 错误术语的惩罚参数C.
kernel : string,optional(default =‘rbf’),指定要在算法中使用的内核类型。它必须是’linear’,‘poly’,‘rbf’,‘sigmoid’,‘precomputed’或者callable之一。如果没有给出,将使用’rbf’。如果给出可调用,则它用于从数据矩阵预先计算内核矩阵;
该矩阵应该是一个形状的数组。(n_samples, n_samples)
度 : int,可选(默认= 3) 多项式核函数的次数(‘poly’)。被所有其他内核忽略。
gamma : float,optional(默认=‘auto’) ‘rbf’,'poly’和’sigmoid’的核系数。
当前默认值为’auto’,它使用1 / n_features,如果gamma=‘scale’传递,则使用1 /(n_features *
X.var())作为gamma的值。当前默认的gamma’‘auto’将在版本0.22中更改为’scale’。‘auto_deprecated’,不推荐使用’auto’版本作为默认值,表示没有传递明确的gamma值。
coef0 : float,optional(默认值= 0.0) 核函数中的独立项。它只在’poly’和’sigmoid’中很重要。
收缩 : 布尔值,可选(默认= True) 是否使用收缩启发式。
概率 : 布尔值,可选(默认=假) 是否启用概率估计。必须在调用之前启用它fit,并且会减慢该方法的速度。
tol : float,optional(默认值= 1e-3) 容忍停止标准。
cache_size : float,可选 指定内核缓存的大小(以MB为单位)。
class_weight : {dict,‘balanced’},可选。
将类i的参数C设置为SVC的class_weight [i] *C. 如果没有给出,所有课程都应该有一个重量。“平衡”模式使用y的值自动调整与输入数据中的类频率成反比的权重n_samples /(n_classes * np.bincount(y))
详细说明 : bool,默认值:False
启用详细输出。请注意,此设置利用libsvm中的每进程运行时设置,如果启用,则可能无法在多线程上下文中正常运行。
max_iter : int,optional(默认值= -1) 求解器内迭代的硬限制,或无限制的-1。
decision_function_shape : ‘ovo’,‘ovr’,默认=‘ovr’
是否将形状(n_samples,n_classes)的one-vs-rest(‘ovr’)决策函数作为所有其他分类器返回,或者返回具有形状的libsvm的原始one-vs-one(‘ovo’)决策函数(n_samples)
,n_classes *(n_classes - 1)/ 2)。但是,一对一(‘ovo’)总是被用作多级策略。在版本0.19中更改: decis