python的svm库_[Python] 机器学习库 Scikit-learn之SVM
0. SVM简介
SVM是最常用的分类器之一,其可以用来做分类,回归以及异常检测。
其模型定义和学习如下:
原始问题:
minw,b,ζ12wTw+C∑ni=1ζi
subject toyi(wT?(xi)+b)≥1?ζi,
ζi≥0,i=1,...,n
对偶问题:
minα12αTQα?eTα
subject to yTα=0
0≤αi≤C,i=1,...,n
决策函数:
sgn(∑ni=1yiαiK(xi,x)+ρ)
其中 e 是全为1的向量, C>0 是上边界, Q 是 n × n 半正定矩阵, Qij≡K(xi,xj)=?(xi)T?(xj) 是核, 训练数据通过 ?被映射到高纬空间中.
svm的优点:
在高纬空间的有效性。
在特征维度高于样本维度的情况下,依然有效。
它的决策函数只使用训练数据的一部分,通常把这一部分数据称之为支持向量,所以它是比较节省内存的。
可以提供各种各样的核函数来扩展SVM的功能。
SVM的缺点:
如果特征的维度远大于样本的数目,那么性能将大大的降低。
SVM不直接提供概率估计。
1. SVM用来做分类:
SVC, NuSVC,LinearSVC
这三类都能用来做多类分类,SVC 和 NuSVC 类似,但是在一些参数上有所不同,LinearSVC 则是另外一种svm的实现,它是线性核。
输入:
SVC, NuSVC 和LinearSVC的输入训练数据:[n_samples, n_features] ,标签数据:[n_samples],标签可以是整数或者是字符串都可以。
#训练svm:
>>> from sklearn import svm
>>> X = [[0, 0], [1, 1]]
>>> y = [0, 1]
>>> clf = svm.SVC()
>>> clf.fit(X, y) `
#测试svm`
>>> clf.predict([[2., 2.]
成员变量:
因为svm模型只需要用到训练数据中的一部分,也就是支持向量的部分。
support_vectors_:存放模型的支持向量。
support_ :存放模型的支持向量的索引。
n_support: 存放模型每一类的支持向量的数目。
多类分类
原始的svm只能支持二类的分类,而多类分类是通过多次二分类来实现的,具体有两种方式,即一对一和一对多两种方式。
SVC 和 NuSVC是采用一对一的方式,如果 n_class 是总的类别的数目,那么共需要训练n_class * (n_class - 1) / 2 个不同的二分类器。
#获取分类器的数目:
X = [[0], [1], [2], [3]]
Y = [0, 1, 2, 3]
clf = svm.SVC()
clf.fit(X, Y)
dec = clf.decision_function([[1]])
print dec.shape[1]
不同的是, LinearSVC 是采用一对多的方式来进行多分类,具体来说,有 n_class 个类别就训练n_class 个分类器,显然,在了类别数目比较多的情况下,这样更节省空间和时间。
不平衡数据:
SVC实现了不平衡训练数据集上的处理,通过设置class_weight参数来给每个类别设置不同的权重,具体的使用还得看文档。
2. SVM用来做回归
SVM分类器可以很自然的被扩展用来做回归,被称之为支持向量回归。
SVR跟SVC一样,模型只考虑支持向量的数据,那些原理分界边际的点将被忽视。
跟SVC类似,其也有三个类来显示它,对应的是: SVR, NuSVR , LinearSVR,
>>> from sklearn import svm
>>> X = [[0, 0], [2, 2]]
>>> y = [0.5, 2.5]
>>> clf = svm.SVR()
>>> clf.fit(X, y)
SVR(C=1.0, cache_size=200, coef0=0.0, degree=3, epsilon=0.1, gamma=0.0,
kernel=‘rbf‘, max_iter=-1, shrinking=True, tol=0.001, verbose=False)
>>> clf.predict([[1, 1]])
array([ 1.5])
3. 密度估计,异常检测
类别:OneClassSVM 来实现异常检测,这是一种无监督的方法,它的训练数据只需要X,而无需Y。
4. 复杂度分析
SVM是一个二次规划问题(QP问题),其实重训练数据集合中分离出支持向量的数据点,在基于libsvm的实现中,其复杂度介于: O(nfeatures×n2samples) 和 O(nfeatures×n3samples) 之间。
5. 核函数
? 线性核: ?x,x′?.
? 多项式核: (γ?x,x′?+r)d. d is specified by keyword degree, r by coef0.
? rbf: exp(?γ|x?x′|2). γ is specified by keyword gamma, must be greater than 0.
? sigmoid (tanh(γ?x,x′?+r)), where r is specified by coef0.
linear_svc = svm.SVC(kernel=‘linear‘)
linear_svc.kernel
‘linear‘
rbf_svc = svm.SVC(kernel=‘rbf‘)
rbf_svc.kernel
‘rbf‘
python的svm库_[Python] 机器学习库 Scikit-learn之SVM相关推荐
- python爬虫机器_Python常用的机器学习库|python爬虫|python入门|python教程
https://www.xin3721.com/eschool/pythonxin3721/ Python在科学计算中用途广泛:计算机视觉.人工智能.数学.天文等.它同样适用于机器学习也是意料之中的事 ...
- python量化选股策略_【机器学习】第六课:基于SVM的量化选股策略
导语 接触过机器学习或数据挖掘算法的人都应该知道支持向量机(SVM),支持向量机一经提出就得到了广泛应用.本文主要探讨该算法在金融领域量化投资多因子策略上的应用.在这篇文章中,先是介绍了SVM的基本原 ...
- python爬虫好友图片_用itchat库爬取你所有微信好友的头像,并合成一张大图
几年前,我们给爸妈手机上下载了一款神奇的软件,他的名字叫微信.几年后,爸妈就开始吐槽我们的微信头像了. 爸妈对我们微信头像的关注程度远胜过我们的衣食住行,我在新浪微博上看到了这张统计图. 图片来源:新 ...
- python动态图表变化_用 Matplotlib 库生成动画图表
更多文章请关注微信公众号:硬核智能 动画是一种展示现象的有趣方式.相对于静态图表,人类总是容易被动画和交互式图表所吸引.在描述多年来的股票价格.过去十年的气候变化.季节性和趋势等时间序列数据时,动画更 ...
- python turtle 画老鼠_通过Turtle库在Python中绘制一个鼠年福鼠
turtle库是一个很经典的绘图库,其最初来自于1967年创造的logo编程语言,之后被Python编写放到了Python的内置模块中.网络上有很多借助于turtle绘制精美图像的案例.比如小猪佩奇. ...
- python 累积正态分布函数_为什么机器学习都围绕正态分布进行讨论?
作者 | Farhad Malik 译者 | Monanfei 责编 | 夕颜 出品 | AI科技大本营(ID: rgznai100) 为什么正态分布如此特殊?为什么大量数据科学和机器学习的文章都围绕 ...
- python天气预测算法_使用机器学习预测天气(第二部分)
概述 这篇文章我们接着前一篇文章,使用Weather Underground网站获取到的数据,来继续探讨用机器学习的方法预测内布拉斯加州林肯市的天气 上一篇文章我们已经探讨了如何收集.整理.清洗数据. ...
- python数据预测模型算法_基于机器学习的股票分析与预测模型研究
摘 要:近年来,随着全球经济与股市的快速发展,股票投资成为人们最常用的理财方式之一.本文研究的主要目标是利用机器学习技术,应用Python编程语言构建股票预测模型,对我国股票市场进行分析与预测.采用S ...
- python 数据挖掘 简书_[Python数据挖掘入门与实践]-第一章开启数据挖掘之旅
1.数据挖掘简介(略) 2.使用Python和IPython Notebook 2.1.安装Python 2.2.安装IPython 2.3.安装scikit-learn scikit-learn是用 ...
最新文章
- 阿里云二面:你对限流了解多少?
- 终端读写命令 -- read write wall
- 另一个ExcelHelper
- 做运营,你需要“一张画布绘到底”
- linux系统定时任务crond入门
- css教程–十步学会用css建站(全)
- java 日期数组_Java数组
- 小米正式发布潮流手机小米Civi 1S和小米智能家庭屏10两款重磅新品
- linux绑定中文域名,linux shell正则表达式如何匹配域名(包含中文域名)
- Spring Cloud 与微服务学习总结(16)—— 微服务架构统一安全认证设计与实践
- [2767]翻转排序 sdutOJ
- 喜欢独自喝茶的人是什么样的人
- python批量打印mathcad_Print Conducto全能批量打印工具
- 把标清视频转高清Video Enhance AI for mac
- mysql如何创建用户代码_Mysql 创建用户 受权_mysql
- Ubuntu/Debian安装护眼软件f.lux indicator applet
- 【Nodejs】用http模块写一个简单的web服务器
- MacBook Pro 安装软件navicat15 , mac10.15安装navcat15
- 无穷小带来什微积分么大礼包
- process has died