sklearn.svm中LinearSVR（svm线性回归）、LinearSVC(svm线性分类)与SVC(svm分类)、SVR（svm回归）之间的区别

区别：

LinearSVC:

SVM线性分类器；用来实现线性的分类任务

"""鸢尾花数据集，执行一个分类问题"""import numpy as np
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import LinearSVC #线性SVM模型；
from sklearn.datasets import load_irisiris_data=load_iris()
print(iris_data["data"])
print("============================")
X=iris_data["data"][:,(2,3)] #取长度和宽度；
# y=iris_data["target"]
# print(y)
y=(iris_data["target"] == 2).astype(np.float64)#建立线性的模型：
svm_clf=Pipeline([#标准化("scaler",StandardScaler()),#svc 线性：("linear_svc",LinearSVC(C=1,loss="hinge"))] #C是软间隔参数；防止过拟合的现象；
)svm_clf.fit(X,y)
res=svm_clf.predict([[6.3,1.2]])
print("res:",res)

SVC:

可以用来实现非线性的分类任务，支持核技巧；可以添加多项式特征；

from sklearn.svm import SVC
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.datasets import make_moons,load_irisX,y=make_moons(n_samples=100,noise=0.15) #取样本数poly_svm_clf=Pipeline([("scaler",StandardScaler()),#添加核函数，多项式最高次为3("svm_clf",SVC(kernel="poly",degree=3,coef0=1,C=5))
])poly_svm_clf.fit(X,y)

LinearSVR：

SVM线性回归器；用来实现线性的分类任务；

from sklearn.svm import LinearSVR
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVR,SVC #支持多项式特征；
from sklearn.datasets import make_moonsX,y=make_moons(n_samples=100,noise=0.15) #加入噪音；svm_reg=LinearSVR(epsilon=1.5)
svm_reg.fit(X,y)

SVR:

可以用来实现非线性的回归任务，支持核技巧；可以添加多项式特征；

#使用SVR,支持核技巧：进行二分类问题
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVR,SVC #支持多项式特征；
from sklearn.datasets import make_moonsX,y=make_moons(n_samples=100,noise=0.15) #加入噪音；
#多项式特征是 kernel="poly" 核函数是将低维数据映射到高维数据； degree=2 C:软间隔系数；
svc_model=SVR(kernel="poly",degree=2,C=100,epsilon=0.1)
svc_model.fit(X,y)

核技巧：

核技巧，也就是核函数，如果数据集是比较低维的数据时，低维数据信息有些少，这时可以将低维的数据映射为高维的数据进行模型的训练。比如在低维空间进行分类比较困难，可以将数据映射到高维空间中，进行分类。

核函数：kernal参数；

kernel是svm中选择核函数的参数，其可选选项主要区别如下：

linear：线性核函数,是在数据线性可分的情况下使用的，运算速度快，效果好。不足在于它不能处理线性不可分的数据。
poly：多项式核函数,多项式核函数可以将数据从低维空间映射到高维空间，但参数比较多，计算量大。
rbf：高斯核函数（默认）,高斯核函数同样可以将样本映射到高维空间，但相比于多项式核函数来说所需的参数比较少，通常性能不错，所以是默认使用的核函数。
sigmoid：sigmoid 核函数,sigmoid 经常用在神经网络的映射中。因此当选用 sigmoid 核函数时，SVM 实现的是多层神经网络。

sklearn.svm中LinearSVR（svm线性回归）、LinearSVC(svm线性分类)与SVC(svm分类)、SVR（svm回归）之间的区别相关推荐

利用进化算法+多进程/多线程来优化SVM中的两个参数：C和Gamma
该案例展示了如何利用进化算法+多进程/多线程来优化SVM中的两个参数:C和Gamma. 在执行本案例前,需要确保正确安装sklearn,以保证SVM部分的代码能够正常执行. 本函数需要用到一个外部数据 ...
机器学习中的数学基础（4.1）：支持向量机Support Vector Machine（SVM）
SVM可以说是一个很经典的二分类问题,属于有监督学习算法的一种.看过那么多的博客知乎解释SVM我一定要自己总结一篇,加深一下自己的理解. 带着问题去读文章会发现,柳暗花明又一村,瞬间李敏浩出现在眼前的 ...
R语言e1071包中的支持向量机：仿真数据(螺旋线性不可分数据集)、简单线性核的支持向量机SVM(模型在测试集上的表现、可视化模型预测的结果、添加超平面区域与原始数据标签进行对比分析)、如何改进核函数
R语言e1071包中的支持向量机:仿真数据(螺旋线性不可分数据集).简单线性核的支持向量机SVM(模型在测试集上的表现.可视化模型预测的结果.添加超平面区域与原始数据标签进行对比分析).如何改进核函数 ...
SVM中的线性分类器
线性分类器: 首先给出一个非常非常简单的分类问题(线性可分),我们要用一条直线,将下图中黑色的点和白色的点分开,很显然,图上的这条直线就是我们要求的直线之一(可以有无数条这样的直线) 假如说, ...
SVM中为何间隔边界的值为正负1
在WB二面中,问到让讲一下SVM算法. 我回答的时候,直接答道线性分隔面将样本分为正负两类,取平行于线性分割面的两个面作为间隔边界,分别为:wx+b=1和wx+ b = -1. 面试官就问,为什么是正 ...
机器学习——图解SVM中gamma和c参数的作用
参数c和gamma的作用我们通过下图详解参数c的作用,首先我们以一个简单的线性分类器为例,上一个博客中我们知道影响分类器的主要因素是支持向量,即虚线上的样本,如下图可知: 但当正负样本的分布在如下情 ...
浅析SVM中的对偶问题
浅析SVM中的对偶问题关于SVM对偶问题求解的博客有很多,但是关于为什么要进行对偶问题的分析却很零散,这里做一个总结 1. 为什么要研究对偶问题? 广义上讲,将原问题的研究转换为对偶问题的研究主要有 ...
svm中的数学和算法
转载自:http://blog.csdn.net/sealyao/article/details/6442403 支持向量机(Support Vector Machine)是Cortes和Vapnik ...
SVM中支持向量的通俗解释
SVM中的支持向量,最开始接触的时候没想明白为什么HingeLoss为0的点不考虑,明明这些才是足够优秀的点,后来想清楚,正是因为人家足够优秀,所以没有拿来划分的意义,要的就是那些离分界线最近的点.支 ...

sklearn.svm中LinearSVR（svm线性回归）、LinearSVC(svm线性分类)与SVC(svm分类)、SVR（svm回归）之间的区别

区别：

LinearSVC:

SVC:

LinearSVR：

SVR:

核技巧：

核技巧，也就是核函数，如果数据集是比较低维的数据时，低维数据信息有些少，这时可以将低维的数据映射为高维的数据进行模型的训练。比如在低维空间进行分类比较困难，可以将数据映射到高维空间中，进行分类。

核函数：kernal参数；

kernel是svm中选择核函数的参数，其可选选项主要区别如下：

sklearn.svm中LinearSVR（svm线性回归）、LinearSVC(svm线性分类)与SVC(svm分类)、SVR（svm回归）之间的区别相关推荐

最新文章

热门文章