pythonsvc_sklearn-SVC实现与类参数详解
sklearn-SVC实现与类参数
它是基于libsvm实现的。随着样本数量的增加,拟合时间的复杂度要高于二次,这就使得当样板数量超过一万个时,很难扩展到数据集中。
在多类处理时,是按照1对1的方案进行处理的。
函数的的定义为:
def __init__ (self, C=1.0, kernel='rbf', degree=3, gamma='auto',coef0=0.0,
verbose=False, max_iter=-1, decision_function_shape='ovr', random_state=None):
参数的含义:
- C:float参数 默认值为1.0。错误项的惩罚系数。C越大,即对分错样本的惩罚程度越大,因此在训练样本中准确率越高,但是泛化能力降低,也就是对测试数据的分类准确率降低。相反,减小C的话,容许训练样本中有一些误分类错误样本,泛化能力强。对于训练样本带有噪声的情况,一般采用后者,把训练样本集中错误分类的样本作为噪声。
- kernel: str参数 默认为‘rbf‘,算法中采用的核函数类型,可选参数有:
linear:线性核函数
poly:多项式核函数
rbf:径像核函数/高斯核
sigmod:sigmod核函数
precomputed:核矩阵
- degree :int型参数 (default=3),这个参数只对多项式核函数(poly)有用,是指多项式核函数的阶数n,如果给的核函数参数是其他核函数,则会自动忽略该参数。
- gamma:float参数,默认为auto核函数系数,只对'rbf'、 ‘poly' 、 ‘sigmoid'有效。
如果gamma为auto,代表其值为样本特征数的倒数,即1/n_features。
- coef0:float参数 默认为0.0
核函数中的独立项,只有对‘poly'和‘sigmod'核函数有用,是指其中的参数c
- probability:bool参数 默认为False
是否启用概率估计。 这必须在调用fit()之前启用,并且会fit()方法速度变慢。
- shrinking:bool参数 默认为True
是否采用启发式收缩方式。
- tol: float参数 默认为1e^-3
svm停止训练的误差精度。
- cache_size:float参数 默认为200
指定训练所需要的内存,以MB为单位,默认为200MB。 - class_weight:字典类型或者‘balance'字符串。默认为None
给每个类别分别设置不同的惩罚参数C,则该类别的惩罚系数为class_weight[i]*C,如果没有给,则会给所有类别都给C=1,即前面参数指出的参数C。
如果给定参数‘balance',则使用y的值自动调整与输入数据中的类频率成反比的权重。
- verbose :bool参数 默认为False
是否启用详细输出。 此设置利用libsvm中的每个进程运行时设置,如果启用,可能无法在多线程上下文中正常工作。一般情况都设为False,不用管它。
- max_iter :int参数 默认为-1
最大迭代次数,如果为-1,表示不限制
- random_state:int型参数 默认为None
伪随机数发生器的种子,在混洗数据时用于概率估计。
SVC的方法
1、fit()方法:用于训练SVM,具体参数已经在定义SVC对象的时候给出了,这时候只需要给出数据集X和X对应的标签y即可。
2、predict()方法:基于以上的训练,对预测样本T进行类别预测,因此只需要接收一个测试集T,该函数返回一个数组表示个测试样本的类别。
3、predict_proba():返回每个输入类别的概率,这与predict方法不同,predict方法返回的输入样本属于那个类别,但没有概率。使用此方法时,需要在初始化时,将 probability参数设置为True。
例如:
import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm
# we create 40 separable points
np.random.seed(0)
X = np.r_[np.random.randn(20, 2) - [2, 2], np.random.randn(20, 2) + [2, 2]]
Y = [0] * 20 + [1] * 20
# fit the model
clf = svm.SVC(kernel='linear',probability=True)
clf.fit(X, Y)
print(clf.predict_proba([[-0.1,0.7],[0.3,0.5]]))
#result
#[[ 0.41844015 0.58155985]
#[ 0.34810738 0.65189262]]
如果初始化时不适用probability参数:
clf = svm.SVC(kernel='linear')
clf.fit(X, Y)
print(clf.predict([[-0.1,0.7],[0.3,0.5]]))
# get the separating hyperplane
w = clf.coef_[0]
#输出的结果为:[1,1]
属性有哪些:
svc.n_support_:各类各有多少个支持向量
svc.support_:各类的支持向量在训练样本中的索引
svc.support_vectors_:各类所有的支持向量
以上这篇sklearn-SVC实现与类参数详解就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持脚本之家。
pythonsvc_sklearn-SVC实现与类参数详解相关推荐
- 【无标题】类模板详解\n类模板的定义及实例化\ntemplate\u003Cclass 模板参数>\nclass 类名 {\n // 类定义\n};\n\ntemplate\u003Ctypen
类模板详解\n类模板的定义及实例化\ntemplate\u003Cclass 模板参数>\nclass 类名 {\n // 类定义\n};\n\ntemplate\u003Ctypenam ...
- 类模板详解\n类模板的定义及实例化 模板参数
类模板详解\n类模板的定义及实例化\ntemplate\u003Cclass 模板参数>\nclass 类名 {\n // 类定义\n};\n\ntemplate\u003Ctypenam ...
- Sklearn参数详解—SVM
总第108篇 本篇主要讲讲Sklearn中SVM,SVM主要有LinearSVC.NuSVC和SVC三种方法,我们将具体介绍这三种分类方法都有哪些参数值以及不同参数值的含义. 在开始看本篇前你可以看看 ...
- .net System.Web.Caching.Cache缓存类使用详解(转载)
转自:http://www.cnblogs.com/virusswb/articles/1681561.html net System.Web.Caching.Cache缓存类使用详解 System. ...
- ios开发读取剪切板的内容_iOS中管理剪切板的UIPasteboard粘贴板类用法详解
一.自带剪切板操作的原生UI控件在iOS的UI系统中,有3个控件自带剪切板操作,分别是UITextField.UITextView与UIWebView.在这些控件的文字交互处进行长按手势可以在屏幕视图 ...
- sklearn 随机分割数据_sklearn.ensemble.RandomForestClassifier 随机深林参数详解
随机森林是一种元估计量,它适合数据集各个子样本上的许多决策树分类器,并使用平均数来提高预测准确性和控制过度拟合.子样本大小由max_samples参数bootstrap=True (default)控 ...
- Lesson 8.3Lesson 8.4 ID3、C4.5决策树的建模流程CART回归树的建模流程与sklearn参数详解
Lesson 8.3 ID3.C4.5决策树的建模流程 ID3和C4.5作为的经典决策树算法,尽管无法通过sklearn来进行建模,但其基本原理仍然值得讨论与学习.接下来我们详细介绍关于ID3和C4. ...
- Lesson 8.1Lesson 8.2 决策树的核心思想与建模流程CART分类树的建模流程与sklearn评估器参数详解
Lesson 8.1 决策树的核心思想与建模流程 从本节课开始,我们将介绍经典机器学习领域中最重要的一类有监督学习算法--树模型(决策树). 可此前的聚类算法类似,树模型也同样不是一个模型,而是一类模 ...
- 系列 《使用sklearn进行集成学习——理论》 《使用sklearn进行集成学习——实践》 目录 1 Random Forest和Gradient Tree Boosting参数详解 2 如何调参?
系列 <使用sklearn进行集成学习--理论> <使用sklearn进行集成学习--实践> 目录 1 Random Forest和Gradient Tree Boosting ...
最新文章
- 在CentOS 6.9 x86_64的OpenResty 1.13.6.1上使用基于Redis实现动态路由示例
- hdu oj 2020 绝对值排序
- ALV标准的分类小计功能
- kotlin内联函数let、with、run、apply、also
- 如何提高还在用window系统的编码硬效率
- 开源监控软件ganglia安装手册
- 为什么linux自带python_为什么一些linux自带python,而不是C,C++,java等其他编程语言?...
- vue-cli 3.0安装和使用
- mysql 恢复空密码_mysql 找回密码
- Java中Minio基础使用
- 耒阳计算机学校,耒阳县系统分析师_科泰计算机学校
- SQLServer数据库处于恢复挂起状态的解决办法
- NPN和PNP型传感器或开关如何接线?
- 傅立叶级数到傅立叶变换推导与理解
- QDUOJ 93 - 分辣条(01背包)
- 阿泰水晶报表补空行(分组)
- P2380 狗哥采矿【普及+提高】棋盘DP
- 一只青蛙一次可以跳上1级台阶,也可以跳上2级。求该青蛙跳上一个n级的台阶总共有多少种跳法。
- Scratch迷宫之自动生成二 画迷宫
- code first修改表或字段
热门文章
- 归并排序(python实现)
- ant+jmeter中build.xml配置详解
- 《Arduino计算机视觉编程》一3.3 总结
- 【笔记】分离字符串中的数字、字母和汉字
- 在语言中的运算符中,处于同一优先级别的运算符还分优先次序吗?
- 【NOIP模拟题】“与”(位运算)
- html 最初级学习笔记一
- 2013 Multi-University Training Contest 9 1011 Arc of Dream
- 人的价值不在于能力,而在于位置 » 社区 | Ruby China
- Oracle删除window服务