SVM的参数说明

Sklearn中SVM，SVM主要有LinearSVC、NuSVC和SVC三种方法。

LinearSVC

LinearSVC(penalty='l2', loss='squared_hinge', dual=True, tol=0.0001, C=1.0, multi_class='ovr', fit_intercept=True,
intercept_scaling=1, class_weight=None, verbose=0, random_state=None, max_iter=1000)

penalty:正则化参数，L1和L2两种参数可选，仅LinearSVC有。

loss:损失函数，有‘hinge’和‘squared_hinge’两种可选，前者又称L1损失，后者称为L2损失，默认是是’squared_hinge’，其中hinge是SVM的标准损失，squared_hinge是hinge的平方。

dual:是否转化为对偶问题求解，默认是True。

tol:残差收敛条件，默认是0.0001，与LR中的一致。 C:惩罚系数，用来控制损失函数的惩罚系数，类似于LR中的正则化系数。

multi_class:负责多分类问题中分类策略制定，有‘ovr’和‘crammer_singer’ 两种参数值可选，默认值是’ovr’，'ovr'的分类原则是将待分类中的某一类当作正类，其他全部归为负类，通过这样求取得到每个类别作为正类时的正确率，取正确率最高的那个类别为正类；‘crammer_singer’ 是直接针对目标函数设置多个参数值，最后进行优化，得到不同类别的参数值大小。

fit_intercept:是否计算截距，与LR模型中的意思一致。

class_weight:与其他模型中参数含义一样，也是用来处理不平衡样本数据的，可以直接以字典的形式指定不同类别的权重，也可以使用balanced参数值。

verbose:是否冗余，默认是False。

random_state:随机种子的大小。

max_iter:最大迭代次数，默认是1000。

对象

coef_:各特征的系数（重要性）。

intercept_:截距的大小（常数值）。

NuSVC

NuSVC(nu=0.5, 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='ovr',
random_state=None))

nu:训练误差部分的上限和支持向量部分的下限，取值在（0，1）之间，默认是0.5

kernel:核函数，核函数是用来将非线性问题转化为线性问题的一种方法，默认是“rbf”核函数

degree:当核函数是多项式核函数的时候，用来控制函数的最高次数。（多项式核函数是将低维的输入空间映射到高维的特征空间）

gamma:核函数系数，默认是“auto”，即特征维度的倒数。

coef0:核函数常数值(y=kx+b中的b值)，只有‘poly’和‘sigmoid’核函数有，默认值是0。

max_iter:最大迭代次数，默认值是-1，即没有限制。

probability:是否使用概率估计，默认是False。

cache_size:缓冲大小，用来限制计算量大小，默认是200M。

decision_function_shape:与'multi_class'参数含义类似。

对象

support_:以数组的形式返回支持向量的索引。

support_vectors_:返回支持向量。 n_support_:每个类别支持向量的个数。

dual_coef_:支持向量系数。

coef_:每个特征系数（重要性），只有核函数是LinearSVC的时候可用。

intercept_:截距值（常数值）。

SVC

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='ovr', random_state=None)

C:惩罚系数。

SVC和NuSVC方法基本一致，唯一区别就是损失函数的度量方式不同（NuSVC中的nu参数和SVC中的C参数）。

方法

三种分类方法的方法基本一致

decision_function(X):获取数据集X到分离超平面的距离。

fit(X, y):在数据集(X,y)上使用SVM模型。

get_params([deep]):获取模型的参数。

predict(X):预测数据值X的标签。

score(X,y):返回给定测试集和对应标签的平均准确率。

                                                                                 常用的核函数有以下几种：

最后

以上就是贪玩水蜜桃最近收集整理的关于SVM的参数说明的全部内容，更多相关SVM内容请搜索靠谱客的其他文章。