支持向量机

##支持向量机

import numpy as np
import pandas as pd
from sklearn.datasets import load_iris
from sklearn import svm

#1.导入数据
#data = pd.read_csv(’’)

#2.数据预处理
#略，最终生成x_train,y_train,x_test

#此处导入鸢尾花数据
x_train, y_train = load_iris(return_X_y=True)

#3.模型训练
clf = svm.SVC(C=1, kernel=“rbf”, class_weight = ‘balanced’, decision_function_shape =‘ovo’, cache_size = 1000)
clf.fit(x_train, y_train)

#4.模型预测
x_test = x_train[:2, :]
y_predict = clf.predict(x_test)

print(y_predict)

#参数列表与调参方法

svm.SVC(C = 1.0，kernel =‘rbf’，degree = 3，gamma =‘auto_deprecated’，coef0 = 0.0，
shrinking = True，probability = False，tol = 0.001，cache_size = 200，
class_weight = balanced，verbose = False，max_iter = -1，decision_function_shape =‘ovo’，random_state =None)

#C：惩罚系数，默认1
#kernel：核函数，默认’rbf’高斯核，可选’linear’，‘poly’，‘rbf’，‘sigmoid’，‘precomputed’
#degree：‘poly’核的次数，其他核不用
#gamma：‘rbf’，‘poly’和’sigmoid’的核系数。默认值为’auto’，它使用1 / n_features，0.22版本中将会改为’scale’。
#coef0：核函数中的独立项。它只在’poly’和’sigmoid’中很重要
#shrinking：是否使用收缩启发式。默认True
#probability:是否启用概率估计。必须在调用之前启用它fit，并且会减慢该方法的速度。默认False
#tol:停止标准，默认1e-3
#cache_size:缓存大小，默认200
#class_weight:样本权重，处理类别不均衡，默认为None，可选’balanced’
#verbose:启用详细输出。请注意，此设置利用libsvm中的每进程运行时设置，如果启用，则可能无法在多线程上下文中正常运行。默认False
#max_iter:最大迭代次数，默认-1无限制
#decision_function_shape:分类决策，可选’ovo’或’ovr’，‘ovo’：精确，慢，‘ovr’：快
#random_state:随机种子，不同的随机种子结果不同，默认None，随机生成