sklearn中SVC和SVR的参数说明

部分内容参考博客，会有标注

SVC

转载于：机器学习笔记(3)-sklearn支持向量机SVM–Spytensor

官方源码

sklearn.svm.SVC(C=1.0, kernel='rbf', degree=3, gamma='auto', 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)

参数解析

参数	含义	数据类型
C	表示错误项的惩罚系数C越大，即对分错样本的惩罚程度越大，因此在训练样本中准确率越高，但是泛化能力降低；相反，减小C的话，容许训练样本中有一些误分类错误样本，泛化能力强。对于训练样本带有噪声的情况，一般采用后者，把训练样本集中错误分类的样本作为噪声。	float参数 默认值为1.0
kernel	该参数用于选择模型所使用的核函数，算法中常用的核函数有：-- linear：线性核函数-- poly：多项式核函数–rbf：径像核函数/高斯核–sigmod：sigmod核函数–precomputed：核矩阵，该矩阵表示自己事先计算好的，输入后算法内部将使用你提供的矩阵进行计算	str参数 默认为‘rbf’
degree	该参数只对’kernel=poly’(多项式核函数)有用，是指多项式核函数的阶数n，如果给的核函数参数是其他核函数，则会自动忽略该参数。	int型参数 默认为3
gamma	该参数为核函数系数，只对‘rbf’,‘poly’,‘sigmod’有效。如果gamma设置为auto，代表其值为样本特征数的倒数，即1/n_features，也有其他值可设定。	float参数 默认为auto
coef0	该参数表示核函数中的独立项，只有对‘poly’和‘sigmod’核函数有用，是指其中的参数c。	float参数 默认为0.0
probability	该参数表示是否启用概率估计。 这必须在调用fit()之前启用，并且会使fit()方法速度变慢。	bool参数 默认为False
shrinkintol	该参数表示是否选用启发式收缩方式。	bool参数 默认为True
tol	svm停止训练的误差精度，也即阈值。	float参数 默认为1e^-3
cache_size	该参数表示指定训练所需要的内存，以MB为单位，默认为200MB。	float参数 默认为200
class_weight	该参数表示给每个类别分别设置不同的惩罚参数C，如果没有给，则会给所有类别都给C=1，即前面参数指出的参数C。如果给定参数‘balance’，则使用y的值自动调整与输入数据中的类频率成反比的权重。	字典类型或者‘balance’字符串。默认为None
verbose	该参数表示是否启用详细输出。此设置利用libsvm中的每个进程运行时设置，如果启用，可能无法在多线程上下文中正常工作。一般情况都设为False，不用管它。	bool参数 默认为False
max_iter	该参数表示最大迭代次数，如果设置为-1则表示不受限制。	int参数 默认为-1
random_state	该参数表示在混洗数据时所使用的伪随机数发生器的种子，如果选int，则为随机数生成器种子；如果选RandomState instance，则为随机数生成器；如果选None,则随机数生成器使用的是np.random	int，RandomState instance ，None 默认为None

函数

函数	作用
svc.decision_function(X)	样本X到分离超平面的距离
svc.fit(X, y[, sample_weight])	根据给定的训练数据拟合SVM模型。
svc.get_params([deep])	获取此估算器的参数并以字典行书储存,默认deep=True，以分类iris数据集为例，得到的参数如下
svc.predict(X)	根据测试数据集进行预测
svc.score(X, y[, sample_weight])	返回给定测试数据和标签的平均精确度
svc.predict_log_proba(X_test)，svc.predict_proba(X_test)	当sklearn.svm.SVC(probability=True)时，才会有这两个值，分别得到样本的对数概率以及普通概率。

属性

属性	含义
svc.coef_[0]	权重
svc.intercept_	bias，偏差

SVR

参考：sklearn线性回归,支持向量机SVR回归,随机森林回归,神经网络回归参数解释及示例
sklearn.svm.SVR的参数介绍

官方源码

sklearn.svm.SVR（kernel ='rbf'，degree = 3，gamma ='auto_deprecated'，coef0 = 0.0，
		tol = 0.001，C = 1.0，epsilon = 0.1，shrinking = True，cache_size = 200，		
		verbose = False，max_iter = -1 ）

参数解析

参数	含义	数据类型
kernel	svc中指定的kernel类型。 可以是： ‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’ 或者自己指定。 默认使用‘rbf’ 。	string, optional (default=’rbf’)
degree	当指定kernel为 ‘poly’时，表示选择的多项式的最高次数，默认为三次多项式。 若指定kernel不是‘poly’,则忽略，即该参数只对‘poly’有作用。	int, optional (default=3)
gamma	当kernel为‘rbf’, ‘poly’或‘sigmoid’时的kernel系数。 如果不设置，默认为 ‘auto’ ，此时，kernel系数设置为：1/n_features	float, optional (default=’auto’)
coef0	kernel函数的常数项。 只有在 kernel为‘poly’或‘sigmoid’时有效，默认为0。	float, optional (default=0.0)
tol	误差项达到指定值时则停止训练，默认为1e-3，即0.001。	float, optional (default=1e-3)
C	误差项的惩罚参数，一般取值为10的n次幂，如10的-5次幂，10的-4次幂。。。。10的0次幂，10，1000,1000，在python中可以使用pow（10，n） n=-5~inf C越大，相当于希望松弛变量接近0，即对误分类的惩罚增大，趋向于对训练集全分对的情况，这样会出现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，容错能力增强，泛化能力较强。	float, optional (default=1.0)
epsilon	ε，Epsilon在epsilon-SVR模型中。它指定了epsilon-tube，其中训练损失函数中没有惩罚与在实际值的距离epsilon内预测的点。	float，optional（默认值= 0.1）
shrinking	如果能预知哪些变量对应着支持向量，则只要在这些样本上训练就够了，其他样本可不予考虑，这不影响训练结果，但降低了问题的规模并有助于迅速求解。进一步，如果能预知哪些变量在边界上(即a=C)，则这些变量可保持不动，只对其他变量进行优化，从而使问题的规模更小，训练时间大大降低。这就是Shrinking技术。 Shrinking技术基于这样一个事实：支持向量只占训练样本的少部分，并且大多数支持向量的拉格朗日乘子等于C	boolean, optional (default=True)
cache_size	指定内核缓存的大小，默认为200M。	float, optional
verbose	是否启用详细输出。 多线程时可能不会如预期的那样工作。默认为False。	bool, default: False
max_iter	默认设置为-1，表示无穷大迭代次数。 Hard limit on iterations within solver, or -1 for no limit.	int, optional (default=-1)