python sklearn 支持向量机_机器学习库sklearn中svm函数特性详解

本文可能是你能在网上找到的对svm参数解析最详细的一篇文章。写文源于之前使用到svm做攻击识别，一直纠结于一些函数的参数，对我个人自定义的一些偏好设定无法很好的完成，所以对其好好的研究了一番。这篇算是一篇工具文，来详解一下python sklearn中svm的一些参数，以及结合具体的例子来进行详细说明。

svm函数简介

sklearn中的svm基于libsvm，基础的svm函数大概如下所示，其中涉及到的参数很多，下面有一个简单的讲解：

SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,

decision_function_shape=None, degree=3, gamma='auto', kernel='rbf',

max_iter=-1, probability=False, random_state=None, shrinking=True,

tol=0.001, verbose=False)

＝＝＝＝＝＝＝＝＝参数＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝

C：C-SVC的惩罚参数C?默认值是1.0，C越大，相当于惩罚松弛变量，希望松弛变量接近0，即对误分类的惩罚增大，趋向于对训练集全分对的情况，这样对训练集测试时准确率很高，但泛化能力弱。C值小，对误分类的惩罚减小，允许容错，将他们当成噪声点，泛化能力较强。

kernel ：核函数，默认是rbf，可以是‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’

0 – 线性：u\'v

1 – 多项式：(gamma*u\'*v + coef0)^degree

2 – RBF函数：exp(-gamma|u-v|^2)

3 – sigmoid：tanh(gamma*u\'*v + coef0)

degree ：多项式poly函数的维度，默认是3，选择其他核函数时会被忽略。

gamma ： ‘rbf’,‘poly’和‘sigmoid’的核函数参数。默认是’auto’，如果是auto，则值为1/n_features

coef0 ：核函数的常数项。对于‘poly’和 ‘sigmoid’有用。

probability ：是否采用概率估计？.默认为False

shrinking ：是否采用shrinking heuristic方法，默认为true

tol ：停止训练的误差值大小，默认为1e-3

cache_size ：核函数cache缓存大小，默认为200

class_weight ：类别的权重，字典形式传递。设置第几类的参数C为weight*C(C-SVC中的C)

verbose ：允许冗余输出

max_iter ：最大迭代次数。-1为无限制。

deci