SVM的参数说明

Sklearn中SVM,SVM主要有LinearSVC、NuSVC和SVC三种方法。

LinearSVC

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

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

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。

cache_size:缓冲大小,用来限制计算量大小,默认是200M。

decision_function_shape:与'multi_class'参数含义类似。

 

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

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

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。

 

                                                                                 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

 

https://cloud.tencent.com/developer/article/1146077

发布了52 篇原创文章 · 获赞 1 · 访问量 2万+
展开阅读全文

没有更多推荐了,返回首页

©️2019 CSDN 皮肤主题: 编程工作室 设计师: CSDN官方博客

分享到微信朋友圈

×

扫一扫,手机浏览