支持向量机 Support Vector Machines

1、支持向量机分类（svc）

  SVC, NuSVC and LinearSVC are classescapable of performing multi-class classification on a dataset.

      svm原始是二分类局限，但svc等方法实现了多分类即多维度的分类问题，因为使用的核函数进行了区域的切割。

      支持向量机（Python）步骤：

              1、 导入包

              2、加载数据

              3、导入方法

              4、训练数据

              5、预测数据

              6、评估数据

       Python一般实例:   

from sklearn.svm import SVC

import numpy as np

X= np.array([[-1,-1],[-2,-1],[1,1],[2,1]])

y = np.array([1,1,2,2])

clf = SVC()

clf.fit(X,y)

print clf.fit(X,y)

print clf.predict([[-0.8,-1]])

svc模型中参数的讲解：

SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,
    decision_function_shape=None, degree=3, gamma='auto', kernel='rbf',
    max_iter=-1, probability=False, random_state=None, shrinking=True,
    tol=0.001, verbose=False)

SVC参数解释

（1）C: 目标函数的惩罚系数C，用来平衡分类间隔margin和错分样本的，default C = 1.0；

（2）kernel：参数选择有RBF, Linear, Poly, Sigmoid, 默认的是"RBF";

（3）degree：if you choose 'Poly' in param 2, this is effective, degree决定了多项式的最高次幂；

（4）gamma：核函数的系数('Poly', 'RBF' and 'Sigmoid'), 默认是gamma = 1 / n_features;

（5）coef0：核函数中的独立项，'RBF' and 'Poly'有效；

（6）probablity: 可能性估计是否使用(true or false)；

（7）shrinking：是否进行启发式；

（8）tol（default = 1e - 3）: svm结束标准的精度;

（9）cache_size: 制定训练所需要的内存（以MB为单位）；

（10）class_weight: 每个类所占据的权重，不同的类设置不同的惩罚参数C, 缺省的话自适应；

（11）verbose: 跟多线程有关，不大明白啥意思具体；

（12）max_iter: 最大迭代次数，default = 1， if max_iter = -1, no limited;

（13）decision_function_shape ： ‘ovo’ 一对一, ‘ovr’ 多对多  or None 无, default=None

（14）random_state ：用于概率估计的数据重排时的伪随机数生成器的种子。

 ps：7,8,9一般不考虑。