sklearn.svm.SVC
部分参考官方文档
1、api
class
sklearn.svm.
SVC
(C=1.0, kernel=’rbf’, degree=3, gamma=’auto_deprecated’, 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)
其中degree, gamma, coef0是kernel的参数,具体说明如下:
2、参数和“返回”值
参数
C | svm的参数,参见svm的理论公式 |
kernel | 内核函数,有以下几种,对应上面图片的公式 ‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’ or a callable |
degree | poly-kernel的幂指数 |
gamma | 常用“auto” |
coef0 | 在poly和sigmid中使用,默认为0 |
shrinking | 是否使用收缩启发 |
probablity | 是否启用概率估计 |
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) |
cache_size | 指定核cache的大小 |
calss_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) |
max_iter | 最大的迭代次数 |
decision_function_shape | “ovo" one-to-one类型 "ovr" one-to-rest类型 |
randon_state | 随机数状态 |
“返回”值
(并不是返回,只是执行完以后,可以调用)
support_ | 支持向量的索引 |
support_vectors_ | 支持向量 |
n_support_ | 每个类中支持向量的个数 |
dual_coef_ | 支持向量的系数 |
coef_ | 分配给特征的系数,只用于linear kernel |
intercept_ | 决策函数中的常数 |
fit_status_ | 喂进数据的状态 |
3、方法
4、应用
1、原始数据:
2、预测的数据:
3、画出边界线
该项目可以在我的github下载,点这里