SKlearn中的svm超参数总结

最新推荐文章于 2025-03-23 11:25:01 发布

Soyoger

最新推荐文章于 2025-03-23 11:25:01 发布

阅读量2.1w

点赞数 15

分类专栏：数据挖掘+机器学习（算法）文章标签： svm

本文链接：https://blog.csdn.net/qq_36330643/article/details/80417952

版权

64 篇文章

订阅专栏

本文详细介绍了SKlearn中SVM模型的参数及其作用，包括惩罚系数C、核函数类型等，并探讨了如何通过调整这些参数来优化模型表现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

SKlearn中好多机器学习模型已经做好了，使用的时候直接调用就可以，俗称“调包侠”，我觉得挺有意思，这样大大降低了机器学习的门槛，最近几天一直在使用svm训练模型，其中数据样本不均衡以及打分一直上不去，特征工程也调了好久，现在开始对svm的一些参数进行调试，看看模型会不会变得更好。

SVC参数解释
（1）C: 目标函数的惩罚系数C，用来平衡分类间隔margin和错分样本的，default C = 1.0；
（2）kernel：参数选择有RBF, Linear, Poly, Sigmoid, 默认的是"RBF";
（3）degree：if you choose 'Poly' in param 2, this is effective, degree决定了多项式的最高次幂；
（4）gamma：核函数的系数('Poly', 'RBF' and 'Sigmoid'), 默认是gamma = 1 / n_features;
（5）coef0：核函数中的独立项，'RBF' and 'Poly'有效；
（6）probablity: 可能性估计是否使用(true or false)；
（7）shrinking：是否进行启发式；
（8）tol（default = 1e - 3）: svm结束标准的精度;
（9）cache_size: 制定训练所需要的内存（以MB为单位）；
（10）class_weight: 每个类所占据的权重，不同的类设置不同的惩罚参数C, 缺省的话自适应；
（11）verbose: 跟多线程有关，不大明白啥意思具体；
（12）max_iter: 最大迭代次数，default = 1， if max_iter = -1, no limited;
（13）decision_function_shape ： ‘ovo’ 一对一, ‘ovr’ 多对多 or None 无, default=None
（14）random_state ：用于概率估计的数据重排时的伪随机数生成器的种子。
提示：7,8,9一般不考虑。

明白了这些可以选择调整的超参数，后续我们可以尝试在特征工程和超参数调整使得模型训练的更好。