Python库——sklearn.svm的SVC函数

函数原型

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)

参数说明

• C：SVC的惩罚参数。默认值：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。

• kernel：核函数，默认为' rbf '，可选：

  • linear：线性，u’v
  • poly：多项式，(gamma*u’v + coef0)^degree
  • rbf：rbf函数，exp(-gamma|u-v|^2)
  • sigmoid：tanh(gammau’*v + coef0)
  • precomputed
• degree:多项式poly函数的维度，默认为3，选择其他核函数时会被忽略
• gamma:rbf、poly、sigmoid的核函数参数，默认为auto
• coef0：核函数的常数项。对于poly和sigmoid有用
• probability：是否采用概率估计。布尔类型，默认为False
  需要在训练fit()模型时加上这个参数，之后才能用相关的方法：predict_proba和predict_log_proba
• shrinking:是否采用shrinking heuristic方法，默认为true
• tol ：停止训练的误差值大小，默认为1e-3
• cache_size ：核函数cache缓存大小，默认为200
• 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)
• verbose ：允许冗余输出？
• max_iter ：最大迭代次数。-1为无限制。

• decision_function_shape ：‘ovo’, ‘ovr’ or None, default=None

  • decision_function_shape='ovr'时，为one v rest，即一个类别与其他类别进行划分，
  • decision_function_shape='ovo'时，为one v one，即将类别两两之间进行划分，用二分类的方法模拟多分类的结果。
• random_state ：数据洗牌时的种子值，int值

样例代码

import numpy as np
from sklearn.model_selection import GridSearchCV
parameters={'kernel':['linear','rbf','sigmoid','poly'],'C':np.linspace(0.1,20,50),'gamma':np.linspace(0.1,20,20)}
svc = svm.SVC()
model = GridSearchCV(svc,parameters,cv=5,scoring='accuracy')
model.fit(X_train,y_train)
model.best_params_
model.score(X_test,y_test)