sklearn01(每次4个技术栈) ---- train_test_split | svm.SVC()

1、train_test_split

        sklearn分割数据函数train_test_split和np.split()有点像，

        随机数种子：其实就是该组随机数的编号，在需要重复试验的时候，保证得到一组一样的随机数。比如你每次都填1，其他参数一样的情况下你得到的随机数组是一样的。但填0或不填，每次都会不一样。随机数的产生取决于种子，随机数和种子之间的关系遵从以下两个规则：种子不同，产生不同的随机数；种子相同，即使实例不同也产生相同的随机数。

        train_test_split(train_data,train_target,test_size=数字, random_state=0)

•                 ----train_data：所要划分的样本特征集
•                 ----train_target：所要划分的样本结果
•                 ----test_size：样本占比，如果是整数的话就是样本的数量
•                 ----random_state：是随机数的种子

2、svm.SVC()

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

        clf = svm.SVC(c = 0.8, kernel = 'linear', decision_function_shape = 'ovr')

•                 ----kernel='linear'时，为线性核，C越大分类效果越好，但有可能会过拟合（defaul C=1）
•                 ----kernel='rbf'时（default），为高斯核，gamma值越小，分类界面越连续；gamma值越大，分类界面越“散”，分类效果越好，但有可能会过拟合
•                 ----decision_function_shape='ovr'时，为one v rest，即一个类别与其他类别进行划分
•                 ----decision_function_shape='ovo'时，为one v one，即将类别两两之间进行划分，用二分类的方法模拟多分类的结果

sklear 中 svm调用全部代码

clf = svm.SVC(C=0.8, kernel='rbf', gamma=20, decision_function_shape='ovr')
clf.fit(x_train, y_train.ravel()) # 模型的训练

clf.score(x_train, y_train) # 精度
y_hat = clf.predict(x_train) # 训练以后传入新的特征值进行预测

clf.score(x_test, y_test)
y_hat = clf.predict(x_test)

3、fit 和 transform 和 fit_transform