python svm参数_python SVM 案例,sklearn.svm.SVC 参数说明
sklearn.svm.SVC 参数说明
经常用到sklearn中的SVC函数,这里把文档中的参数翻译了一些,以备不时之需。
本身这个函数也是基于libsvm实现的,所以在参数设置上有很多相似的地方。(PS: libsvm中的二次规划问题的解决算法是SMO)。sklearn.svm.SVC(C=1.0,kernel='rbf', degree=3, gamma='auto',coef0=0.0,shrinking=True,probability=False,tol=0.001,cache_size=200, class_weight=None,verbose=False,max_iter=-1,decision_function_shape=None,random_state=None)
参数:
l C:C-SVC的惩罚参数C?默认值是1.0
C越大,相当于惩罚松弛变量,希望松弛变量接近0,即对误分类的惩罚增大,趋向于对训练集全分对的情况,这样对训练集测试时准确率很高,但泛化能力弱。C值小,对误分类的惩罚减小,允许容错,将他们当成噪声点,泛化能力较强。
l kernel :核函数,默认是rbf,可以是‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’
0 – 线性:u’v
1 – 多项式:(gamma*u’*v + coef0)^degree
2 – RBF函数:exp(-gamma|u-v|^2)
3 –sigmoid:tanh(gamma*u’*v + coef0)
l degree :多项式poly函数的维度,默认是3,选择其他核函数时会被忽略。
l gamma : ‘rbf’,‘poly’ 和‘sigmoid’的核函数参数。默认是’auto’,则会选择1/n_features
l coef0 :核函数的常数项。对于‘poly’和 ‘sigmoid’有用。
l probability :是否采用概率估计?.默认为False
l shrinking :是否采用shrinking heuristic方法,默认为true
l tol :停止训练的误差值大小,默认为1e-3
l cache_size :核函数cache缓存大小,默认为200
l class_weight :类别的权重,字典形式传递。设置第几类的参数C为weight*C(C-SVC中的C)
l verbose :允许冗余输出?
l max_iter :最大迭代次数。-1为无限制。
l decision_function_shape :‘ovo’, ‘ovr’ or None, default=None3
l random_state :数据洗牌时的种子值,int值
主要调节的参数有:C、kernel、degree、gamma、coef0。
案例代码:#!/usr/bin/python# -*- coding:utf-8 -*-import numpy as npfrom sklearn import svmfrom scipy import statsfrom sklearn.metrics import accuracy_scoreimport matplotlib as mplimport matplotlib.pyplot as plt#设置画图过程中,图像的最小值 与最大值取值def extend(a, b, r):
x = a - b
m = (a + b) / 2
return m-r*x/2, m+r*x/2if __name__ == "__main__":
np.random.seed(0)
N = 20
x = np.empty((4*N, 2))
print("{}\n{}".format(x.shape,x))
means = [(-1, 1), (1, 1), (1, -1), (-1, -1)]
print(means)
sigmas = [np.eye(2), 2*np.eye(2), np.diag((1,2)), np.array(((2,1),(1,2)))]
print(sigmas) for i in range(4):
mn = stats.multivariate_normal(means[i], sigmas[i]*0.3) # print(mn)
x[i*N:(i+1)*N, :] = mn.rvs(N) # print(mn.rvs(N))
a = np.array((0,1,2,3)).reshape((-1, 1))
print(a)
y = np.tile(a, N).flatten()
print(np.tile(a, N) )
print(y)
clf = svm.SVC(C=1, kernel='rbf', gamma=1, decision_function_shape='ovo') # clf = svm.SVC(C=1, kernel='linear', decision_function_shape='ovr')
clf.fit(x, y)
y_hat = clf.predict(x)
acc = accuracy_score(y, y_hat)
np.set_printoptions(suppress=True) print (u'预测正确的样本个数:%d,正确率:%.2f%%' % (round(acc*4*N), 100*acc)) # decision_function
print (clf.decision_function(x)) print (y_hat)
x1_min, x2_min = np.min(x, axis=0)
x1_max, x2_max = np.max(x, axis=0)
x1_min, x1_max = extend(x1_min, x1_max, 1.05)
x2_min, x2_max = extend(x2_min, x2_max, 1.05)
x1, x2 = np.mgrid[x1_min:x1_max:500j, x2_min:x2_max:500j]
x_test = np.stack((x1.flat, x2.flat), axis=1)
y_test = clf.predict(x_test)
y_test = y_test.reshape(x1.shape)
cm_light = mpl.colors.ListedColormap(['#FF8080', '#A0FFA0', '#6060FF', '#F080F0'])
cm_dark = mpl.colors.ListedColormap(['r', 'g', 'b', 'm'])
mpl.rcParams['font.sans-serif'] = [u'SimHei']
mpl.rcParams['axes.unicode_minus'] = False
plt.figure(facecolor='w')
plt.pcolormesh(x1, x2, y_test, cmap=cm_light)
plt.scatter(x[:, 0], x[:, 1], s=40, c=y, cmap=cm_dark, alpha=0.7)
plt.xlim((x1_min, x1_max))
plt.ylim((x2_min, x2_max))
plt.grid(b=True)
plt.tight_layout(pad=2.5)
plt.title(u'SVM多分类方法:One/One or One/Other', fontsize=18)
plt.show()
分类结果:
打开App,阅读手记
python svm参数_python SVM 案例,sklearn.svm.SVC 参数说明相关推荐
- 机器学习笔记:支持向量机(SVM)详细推导以及sklearn.svm.SVC的简单简介
线性可分支持向量机: 举一个简单的例子: 我们需要将下面的圆圈和叉分开 这里存在无数多条线可以将圆圈和叉分开,因此,我们要规定一个性能指标,对于每一条线,都有对应的一个性能指标. 我们将每一条可以分开 ...
- python 启动参数_python启动参数
广告关闭 腾讯云11.11云上盛惠 ,精选热门产品助力上云,云服务器首年88元起,买的越多返的越多,最高返5000元! 开发准备cas 的 python sdk 包含了用于访问和操作 cas 的所有 ...
- python魔法参数_python中的魔法参数:*args和**kwargs
def foo(*args, **kwargs): print 'args = ', args print 'kwargs = ', kwargs print '------------------- ...
- python商业数据分析_Python数据分析案例—商圈客流量特征分析
这是 python 数据分析案例系列的第二篇,主要是聚类分析,实现起来较为简单.后续还会继续更新,欢迎关注交流! 在处理实际的数据分析案例时,我们面临的往往是比较复杂的研究对象,如果能把相似的样品(或 ...
- gridsearchcv参数_Python机器学习库Sklearn系列教程(21)-参数优化
(网格搜索GridSearchCV.随机搜索RandomizedSearchCV.hyperopt) 网格搜索GridSearchCV GridSearchCV用于系统地遍历多种参数组合,通过交叉验证 ...
- python可变参数_Python 的四种共享传参详解
点击上方"Python数据之道",选择"星标公众号" 精品文章,第一时间送达 作者 | 杨仁聪 编辑 | Lemon 出品 | Python数据之道 本文来自公 ...
- python动态参数_python动态参数
Python的动态参数有两种,分别是*args和**kwargs,这里面的关键是一个和两个星号的区别,而不是args和kwargs在名字上的区别,实际上你可以使用*any或**whatever的方式. ...
- python 函数参数_python之函数(二)——函数参数详解
今天,我们要学习的是函数中的一个重要的概念--参数. 废话不多说,直接进入正题,下面我们看一段简单代码: def add(a, b): # 1 形参 sum = a + b return sum a ...
- python海龟绘图_Python教学案例|海龟绘图三例
说明:海龟绘图网上的案例非常多,网上百度一搜就可以找到各种各样的不同绘图参考代码,简单的有,难的有绘制梵高画.九大行星图等等,有需求的最好问度娘,简单又方便. 分享Python 基础教程: https ...
- python xgboost参数_Python中的XGBoost XGBClassifier默认值
这不是在xgboost中设置参数的方式.您可以将参数网格传递到训练函数中,例如xgboost的train或sklearn的GridSearchCV,也可以使用XGBClassifier的set_par ...
最新文章
- 【Qt】Qt发布可执行程序(打包依赖库)
- PHP遍历用blade标签表示,php-Laravel Blade {{$variable或’Default Text’}}无法使用网址
- Rsync命令参数详解
- 磨刀——python及相关工具
- 深度学习 占用gpu内存 使用率为0_深度学习的完整硬件指南
- 在mysql中更改数据类型_如何在MySQL中更改列的数据类型?
- 分布式系统Kafka和ES中,JVM内存越大越好吗?
- interactive_timeout和wait_timeout之间的区别
- SAP CRM Enterprise Search 培训材料
- 怎么注销midas服务器程序,MIDAS的服务器镜像技术
- python arcgis 图书_arcgis python
- [html] iframe可以使用父页面中的资源吗(如:css、js等)?
- 【计算机网络复习】1.2.1 分层结构、协议、接口、服务
- Microsoft Enterprise Library 5.0 系列教程(二) Cryptography Application Block (初级)
- UE4的编译配置详解
- 注解形式控制器 数据验证,类型转换(3)
- 单变量微积分笔记8——最值问题和相关变率
- MyEclipse中使用Junit插件进行单元测试
- AD7124的调试总结
- 7大国内外自动驾驶仿真平台汇总
热门文章
- 三洋p6系列伺服电机说明书_松下A6系列驱动器电路板坏了维修_常州凌科自动化科技有限公司...
- 使用iconv进行GBK到BIG5编码转/简繁转换遇到的问题
- ae在哪里直接复制合成_AE脚本-合成复制脚本(同合成复制修改相互不影响)True Comp Duplicator v3.9.11+使用教程...
- 程序员转正答辩ppt
- pe中怎么卸载服务器系统更新,方法四: 使用专用工具卸载系统更新补丁(和方法三类同...
- 20210706_IEEEDataPort免费订阅
- 红帽社区内容需要订阅访问
- java digestutils.md5hex_linux下md5sum和DigestUtils.md5Hex的关系 博客分类: java
- 拼途网: 从线上到线下的拼途旅行社区
- pthread_cond_timedwait函数使用