目录
1. 前言
- 转载请注明出处
- 文章中有一部分内容是个人理解，所以内容仅供参考
- 这里是官方说明文档传送门：sklearn.svm.SVR
- 本文可当做开发时的开发手册作为参考，建议收藏
2. 简介
- SVR为Support Vector Regression的简写，顾名思义，其是基于支持向量的回归器
- 模型中的两个自由参数为
C和epsilon，自由参数不能通过理论推测，可以通过实验、科研猜测和随机指定来设置，即自由参数的调节是个玄学，没有理论指导 - SVR是基于libsvm实现的
- SVR的拟合时间是和样本数量呈二次方指数关系，因此这一分类模型适用于样本较小的情况，如果样本量过大（>1W），建议使用其他回归模型，例如
LinearSVR或者SGDRegressor
3. 语法
3.1 API形式
- 形式如下，里面的参数均为默认参数
SVR(*, kernel='rbf', degree=3, gamma='scale', coef0=0.0, tol=0.001, C=1.0, epsilon=0.1, shrinking=True,
cache_size=200, verbose=False, max_iter=- 1)
3.2 参数说明
| 参数 | 名称 | 数据 | 作用 |
|---|---|---|---|
| kernel | 核函数 | 1. string类型 2. {‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’} 3. 默认值为’rbf’ | 1. 用来选择映射到高维线性可分的核函数 2. linear: 线性核函数； 优点： 简单、运算效率高；缺点： 对线性不可分的数据集没有很好的效果 3. ploy: 多项式核函数； 优点： 可以拟合出复杂的分割超平面；缺点： 有三个参数，调参困难，且当n过大时，模型拟合时间会很长 ； 4. rbf: 径向基函数 通常定义为样本到数据中心之间径向距离（通常是欧氏距离）的单调函数（由于距离是径向同性的）； 相较于多项式核，具有参数少的优点 5. sigmoid：Logistic函数 也称为S型生长曲线，优点：平滑 6. precomputed：预训练好的核函数对应的Gram 矩阵 优点： 不用再次拟合核函数对应的Gram 矩阵，直接进行映射就可以了 |
| degree | 多项式核函数的维度 | 1. int类型，默认值为3 | 1. 只有在使用多项式核函数的时候才有用，使用其他核函数自动忽略此参数 2. 用来确定多项式核函数的维度，即n的值 |
| gamma | ‘rbf’, ‘poly’ 和‘sigmoid’ 核函数的系数 | 1. string类型，默认值为‘scale’ 2. {‘auto’, ‘scale’} | 1. auto: gamma = 1 / n_features 2. scale: gamma = 1 / (n_features * X.var()) 3. 只作用于 rbf， poly，sigmoid 三个核函数 |
| coef0 | 常数项 | 1. float类型，默认值为0 | 1. 只作用于poly 和 sigmoid 核函数 2. 作用相当于是对核函数映射的结果进行一个移位操作 |
| tol | 停止拟合容忍度 | 1. float类型，默认值为1e-3 即为0.001 | 1. 定义模型停止拟合的误差值 |
| C | 正则化系数 | 1. float类型，默认值为1.0 | 1. 正则化的强度与C的大小成反比，且必须为正。 2. 主要是用来防止模型过拟合 3. C值越大，对模型的惩罚越高，泛化能力越弱（过拟合） 4. 反之，C值越小，对模型的惩罚越低，泛化能力越强（欠拟合） |
| epsilon | 希腊字母 ϵ \epsilon ϵ | 1. float类型，默认值：0.1 | 1. 用来定义模型对于错误分类的容忍度，即错误分类而不受到惩罚 2. ϵ \epsilon ϵ的值越大，模型允许错误分类的容忍度越高，反之，容忍度越小 3. 支持向量的个数对 ϵ \epsilon ϵ 的大小敏感，即 ϵ \epsilon ϵ 的值越大，支持向量的个数越少，反之，支持向量的个数越多 4. 也可以理解为 ϵ \epsilon ϵ 的值越小，模型越过拟合，反之，越大越欠拟合 |
| shrinking | 启用启发式收缩 | 1. bool类型，默认为True | 1. 是否采用启发式收缩，当迭代次数过大时， 启用启发式收缩可以缩短训练时间，然而如果我们对停止迭代容忍度较高时（tol参数来反映），不用启发式收缩可能会更快一些 |
| cache_size | 核缓存大小 | 1. float类型，默认值为200（MB） | 1. 指定模型在训练时，能占用的最大RAM空间（PS. 经过实验，当大小设置超过2000MB时，训练时长反而会增加，这应该是一个BUG），在2000MB以内，不超过其所需最大内存，则不会降低训练速度，也不会增加。 2. 所以训练多采用的数据集维度越高，条数越高，当所需内存超出了，我们可以通过调整cache_size 的大小来加快模型拟合 |
| verbose | 启用详细输出 | 1. bool类型，默认值：False | 1. 该参数表示日志是否启用详细输出，会输出iter次数，nSV等参数的值 2. 如果启用，可能会导致无法进行多线程工作，降低拟合速率 |
| max_iter | 最大迭代次数 | 1. int类型，默认值: -1 | 1. 硬性设置最大迭代次数，不管模型是否拟合完成，即不关心误差值(tol参数) 2. 设置-1的话，意味着不限制迭代次数，即按照误差值来停止模型拟合 |
3.3 属性说明
| 属性 | 名称 | 数据 | 作用 |
|---|---|---|---|
| class_weight | 各类权重 | 1. ndarray，一维数组，(n_classes, ) | 1. 用来获取模型对各个类别设置的权重，与参数中的class_weight相关 |
| coef_ | 特征权重向量 | 1. ndarray，二维数组，(n_classes * (n_classes - 1) / 2, n_features) | 1. 获取特征权重向量 2. 当核函数为linear时，才可以调用这一属性 |
| dual_coef_ | 对偶系数 | 1. ndarray，二维数组，(n_classes -1, n_SV) | 1. decision_funciton 中的支持向量的对偶系数 2. n_SV 为支持向量的个数 3. 所有 ovo 分类器的系数 |
| fit_status_ | 拟合状态 | 1. int类型 | 1. 拟合成功0， 否则为1，进行告警 |
| intercept_ | 决策函数常量 | 1. ndarray，一维数组， (n_classes * (n_classes - 1) / 2, ) | 1. decision_funciton 中的常量 |
| n_features_in_ | 特征数量 | 1. int类型 | 1. 拟合过程中使用到的特征数量 |
| feature_names_in_ | 特征名称 | 1. ndarray，一维数组，(n_features_in_,) | 1. 获取拟合时特征的名称 |
| n_support_ | 每类的支持向量数 | 1. ndarray，一维数组 ，(n_classes,), dtype=int32 | 1. 获取每种类别的支持向量数 |
| shape_fit_ | 数组维数 | 1.元组，(n_dimensions_of_X,) | 1.训练向量X的数组维数 |
| support_ | 支持向量索引 | 1. ndarray，一维数组， (n_SV，) | 1. 获取模型拟合后获得的所有支持向量的索引 |
| support_vectors_ | 支持向量 | 1. ndarray，二维数组，(n_SV, n_features) | 1. 获取所有的支持向量 |
4. 方法说明
4.1 fit(X, y, sample_weight=None)
1. 描述： 用训练数据拟合模型
2. 参数： X: 训练数据; y: 训练数据标签； sample_weight: 每个样本的权重，(n_samples,)
3. 返回值： 自身，拟合好的模型
4. 注意： 无
4.2 get_params(deep=True)
1. 描述： 获取模型的所有参数
2. 参数： 如果为真，则将返回此模型和作为模型的所包含子对象的参数
3. 返回值： 字典类型， 所有的参数
4. 注意： 无
4.3 predict(X)
1. 描述： 用拟合好的模型对所有样本X进行预测
2. 参数： 所有预测样本，二维数组（n_samples, n_features)
3. 返回值： 所有预测 X的预测标签，一维数组，(n_sample, )
4. 注意： 无
4.4 score(X, y, sample_weight=None)
1. 描述： 返回给定测试数据上的平均准确度
2. 参数： X: 训练数据; y: 训练数据标签； sample_weight: 每个样本的权重，(n_samples,)
3. 返回值：
R
2
R^2
R2
4. 注意：
R
2
R^2
R2 被定义为
1
−
u
/
v
1-u/v
1−u/v,
u
u
u 是
∑
i
=
1
n
(
y
−
y
^
)
2
\sum_{i=1}^n(y - \hat{y})^2
∑i=1n(y−y^)2 的残差和，
v
v
v 是
∑
i
=
1
n
(
y
−
y
.
m
e
a
n
(
)
)
2
\sum_{i=1}^n{(y-y.mean())^2}
∑i=1n(y−y.mean())2的平方和，
R
2
R^2
R2 的值越大证明模型性能越好，最大为1，其值也可以为负，意味着模型性能更差，且无最小值
4.5 set_params(**params)
1. 描述： 重置当前模型的参数
2. 参数： 字典类型，内容为当前模型的参数
3. 返回值： 重置参数后的模型
4. 注意： 无
5. 总结
在写这篇文章的过程中发现了前一篇文章的一些错误，已经回头修改了。在查阅文献的过程中，明白了SVM为什么能做回归任务了，因为其本质上仍是把回归任务当做分类任务来处理，只不过在模型评价的过程中，用了不一样的评价指标，这里是 R 2 R^2 R2 。
有时间再继续更新~
希望这篇文档能对各位看官产生一定的帮助， 如有不妥，欢迎评论区指正~
6. 参考资料
- sklearn.svm.SVR
- 百度百科：自由参数
- Wikipedia：Free parameter
- LIBSVM: A Library for Support Vector Machines
- How to show \epsilon in R Markdown
- Meaning of Epsilon in SVM regression
- cache_size effect on SVC processing time
- Verbose log abbriviations meaning in SVC, scikit-learn
- Unlocking the True Power of Support Vector Regression
- 回归模型的性能评价指标
2682
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
