支持向量机SVM——代码简洁

通过sklearn机器学习工具库
代码十分简洁，内有详细步骤和解释。
直接复制，带入数据，进行调用即可出结果，模型参数设置见文末

def SVM(X_train, Y_train, X_test, Y_test):
    """
    X_train: 特征训练集
    Y_train: 标注训练集
    X_test: 特征测试集
    Y_test: 标注测试集
    """

    # 01.创建模型
    from sklearn.svm import SVC
    SVM_model = SVC(C=10000)
 
    # 02.训练模型
    SVM_model = SVM_model.fit(X_train, Y_train)

    # 03.模型预测
    Y_pred = SVM_model.predict(X_test)

    # 04.模型评价(accuracy_score:准确率；recall_score：召回率； f1_score：F值)
    from sklearn.metrics import accuracy_score, recall_score, f1_score
    print('ACC:', accuracy_score(Y_test, Y_pred))
    print('REC:', recall_score(Y_test, Y_pred))
    print('F-Score:', f1_score(Y_test, Y_pred))

    # 05.输出模型参数
    print('支持向量指数：', SVM_model.support_)
    print('支持向量：', SVM_model.support_vectors_)
    print('每一类的支持向量数量：', SVM_model.n_support_)

    return

模型参数设置：

参数C：惩罚系数(设置的越高，效果越好，但相应的计算时间也会增加)
参数kernel：核函数，可选:'linear'(线性),'poly'(多项式),'rbf','sigmoid','precomputed'等
参数degree：多项式阶数(如果核函数选择'poly'，则需要设置该参数)
参数max_iter：最大迭代次数
参数tol：精度
参数decision_function_shape：多分类，可取：'ovo'和'ovr'，默认为'ovr'       
……更多参数，见官网。

输出参数设置：

support_：支持向量指数
support_vectors_：支持向量
n_support_：每一类的支持向量数量
……更多的模型参数，见官网

这里的模型评价指标选择了：

① accuracy_score:准确率；
② recall_score：召回率；
③ f1_score：F值。

在上面代码中都是针对测试集的效果，也可以对训练集进行预测，然后评价训练集的效果，综合比较，可以看看是否会出现过拟合现象。