python sklearn 支持向量机_sklearn学习：svm调用（核函数）python

来源：http://my.oschina.net/u/175377/blog/84420

线性支持向量机

SVMs

from sklearn import

datasets

iris=datasets.iris()

In [60]: from sklearn import svm

In [61]: svc = svm.SVC(kernel='linear')

In [62]: svc.fit(iris.data, iris.target)

Out[62]:

SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.0,

kernel='linear', probability=False, shrinking=True, tol=0.001,

verbose=False)

scikit-learn中有好几种支持向量机实现。最普遍使用的是svm.SVC，svm.NuSVC和svm.LinearSVC;“SVC”代表支持向量分类器(Support

Vector Classifier)(也存在回归SVMs，在scikit-learn中叫作“SVR”)。

练习

训练一个数字数据集的svm.SVC。省略最后10%并且检验观测值的预测表现。

使用核

类别不总是可以用超平面分离，所以人们指望有些可能是多项式或指数实例的非线性决策函数：

线性核

svc = svm.SVC(kernel=’linear’)

多项式核

svc = svm.SVC(kernel=’poly’, … degree=3) # degree: polynomial

degree

RBF核(径向基函数)

svc = svm.SVC(kernel=’rbf’) # gamma: inverse of size of # radial

kernel

练习

以上提到的哪些核对数字数据集有更好的预测性能？(译者：前两个)