十二、支持向量机

def svmm():
    '''
    支持向量机(完善)：用超平面对高纬空间中的样本进行分类，为了解决线性不可分问题，引入了核函数，常用核函数有线性核函数、多项式核函数、高斯核函数和sigmoid核函数
    API: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)
                C （float参数 默认值为1.0）:惩罚项系数
                kernel （str参数 默认为‘rbf’）：核函数选择（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）
                degree （int型参数 默认为3）：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。
                gamma （float参数 默认为auto）：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。
                coef0:（float参数 默认为0.0）：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。
                probability（ bool参数 默认为False）：是否启用概率估计。
                shrinkintol: float参数 默认为1e^-3g（bool参数 默认为True）：表示是否选用启发式收缩方式。
                tol（ float参数 默认为1e^-3）：svm停止训练的误差精度，也即阈值。
                cache_size（float参数 默认为200）：指定训练所需要的内存，以MB为单位。
                class_weight（字典类型或者‘balance’字符串。默认为None）：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。
                verbose （ bool参数 默认为False）：是否启用详细输出。
                max_iter （int参数 默认为-1）：最大迭代次数，-1表示不受限制。
                random_state（int，RandomState instance ，None 默认为None）：随机数种子
    '''
    daj = load_digits()
    images = daj.images
    labels = daj.target
    n_samples = len(images)
    image_vectors = images.reshape((n_samples,-1))
    sample_index = list(range(n_samples))
    test_size = int(n_samples*2)
    random.shuffle(sample_index)
    train_index,test_index = sample_index[test_size:],sample_index[:test_size]
    x_train,y_train = image_vectors[train_index],labels[train_index]
    x_test, y_test = image_vectors[test_index], labels[test_index]
    classifier = SVC(kernel='rbf',C=1.0,gamma=0.001)
    classifier.fit(x_train,y_train)
    pre = classifier.predict(x_test)
    print(classification_report(y_test,pre))
    print(confusion_matrix(y_test,pre))