pythonsvc_机器学习——python scikit-learn SVC分类

SVM可以用于分类、回归、异常检测。SVM库中包括SVC、LinearSVC接口

1.导入svm库

from sklearn import svm

2.制作训练集和测试集

x, y = np.split(data, (4,), axis=1)

x = x[:, :2]

x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=1, train_size=0.6)

split(数据，分割位置，轴=1(水平分割) or 0(垂直分割))。

x = x[:, :2]是为方便后期画图更直观，故只取了前两列特征值向量训练

sklearn.model_selection.train_test_split随机划分训练集和测试集。

3.训练SVM

clf = svm.SVC(C=0.8, kernel='rbf', gamma=20, decision_function_shape='ovr')

clf.fit(x_train, y_train.ravel())

C:惩罚参数

默认值为1，惩罚参数是由于松弛变量而加入的，它表征的是对错误分类的惩罚程度，也就是不允许分类出错的程度。

C越大，表明越不允许分类出错，但是C越大越可能过拟合。

C太小的话趋于0的话，分类将不会关注分类是否正确的问题，只要求间隔 越大越好，此时分类也没有意义。

Kernel:核函数

作用：核函数的引入是为了解决线性不可分的问题，