sklearn.svm.LinearSVC

sklearn.svm.LinearSVC

1、api

class sklearn.svm.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)

类似于使用线性kernel的SVM，但是因为本身不拥有kernel，所以又不一样

2、参数的意义和返回值

参数：

penalty	"l1"/"l2",在svc中默认为“l2"
loss	"hinge"/"squared_hinge",
dual	布尔型变量，在样本数》特征数的时候，建议选择false
tol	误差的tolerance，给定迭代次数，最后几次的差值大于这个值，会给出警告（没有收敛）
c	svm的参数，参见svm的理论公式
multi_class	多分类问题，‘ovr’ / ‘crammer_singer’，ovr是基于”one_over_all“的思想，（选出一个类，吧其他的类看做一个类来进行对待。）
fit_intercept	是否计算该模型的结局，建议选择True，可能以后要用到这个参数，
intercept_scaling	默认为1
class_weight	把类别i的系数C，设置为calss_weight[i]*C， 是字典型变量
verbose	启用详细输出（我一般没用过）
random_state	随机数状态（我也没用过）
max_iter	最大的迭代次数，默认为1000

返回值：

coef_	各个特征之前的系数 shape = [n_features] if n_classes == 2 else [n_classes, n_features]
intercept_	截距 shape = [1] if n_classes == 2 else [n_classes]

3、方法

4、应用：

用一个两个特征的x，进行实例说明：

1、进行训练

svm1 = sklearn.svm.LinearSVC(C=1.0,loss='squared_hinge')
svm1.fit(X,Y.ravel())
svm1.score(X,Y) #返回的是最后的平均“得分”，反映了预测的好与坏

2、获得参数

p1,p2 = svm1.coef_[0]#个参数的权重系数
b = svm1.intercept_[0] #截距值
print(p1,p2,b)

其中计算得公式为：p1 * x1 + p2 * x2 + b = 0

3、画图

plt.scatter(X1,X2,c = Y)

plt.plot(X1,-p1/p2*X1 - b/p2)

plt.show()

这是c = 1的情况，给数据的误差权重比较小（c = 1),所以那个偏离数据的点没有很好的拟合

我么给c一个比较打的值，来增加数据的误差权重，试一下c = 100，结果如下，该分类就吧所有的数据点都进行了分离

该项目可以在我的github下载，点这里