您好,登錄后才能下訂單哦!
這篇文章將為大家詳細(xì)講解有關(guān)sklearn中SVC實(shí)現(xiàn)與類參數(shù)的示例分析,小編覺得挺實(shí)用的,因此分享給大家做個(gè)參考,希望大家閱讀完這篇文章后可以有所收獲。
sklearn-SVC實(shí)現(xiàn)與類參數(shù)
對(duì)應(yīng)的API:http://scikit-learn.sourceforge.net/stable/modules/generated/sklearn.svm.SVC.html
它是基于libsvm實(shí)現(xiàn)的。隨著樣本數(shù)量的增加,擬合時(shí)間的復(fù)雜度要高于二次,這就使得當(dāng)樣板數(shù)量超過一萬個(gè)時(shí),很難擴(kuò)展到數(shù)據(jù)集中。
在多類處理時(shí),是按照1對(duì)1的方案進(jìn)行處理的。
函數(shù)的的定義為:
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):
參數(shù)的含義:
- C:float參數(shù) 默認(rèn)值為1.0。錯(cuò)誤項(xiàng)的懲罰系數(shù)。C越大,即對(duì)分錯(cuò)樣本的懲罰程度越大,因此在訓(xùn)練樣本中準(zhǔn)確率越高,但是泛化能力降低,也就是對(duì)測(cè)試數(shù)據(jù)的分類準(zhǔn)確率降低。相反,減小C的話,容許訓(xùn)練樣本中有一些誤分類錯(cuò)誤樣本,泛化能力強(qiáng)。對(duì)于訓(xùn)練樣本帶有噪聲的情況,一般采用后者,把訓(xùn)練樣本集中錯(cuò)誤分類的樣本作為噪聲。
- kernel: str參數(shù) 默認(rèn)為‘rbf‘,算法中采用的核函數(shù)類型,可選參數(shù)有:
linear:線性核函數(shù)
poly:多項(xiàng)式核函數(shù)
rbf:徑像核函數(shù)/高斯核
sigmod:sigmod核函數(shù)
precomputed:核矩陣
- degree :int型參數(shù) (default=3),這個(gè)參數(shù)只對(duì)多項(xiàng)式核函數(shù)(poly)有用,是指多項(xiàng)式核函數(shù)的階數(shù)n,如果給的核函數(shù)參數(shù)是其他核函數(shù),則會(huì)自動(dòng)忽略該參數(shù)。
- gamma:float參數(shù),默認(rèn)為auto核函數(shù)系數(shù),只對(duì)'rbf'、 ‘poly' 、 ‘sigmoid'有效。
如果gamma為auto,代表其值為樣本特征數(shù)的倒數(shù),即1/n_features。
- coef0:float參數(shù) 默認(rèn)為0.0
核函數(shù)中的獨(dú)立項(xiàng),只有對(duì)‘poly'和‘sigmod'核函數(shù)有用,是指其中的參數(shù)c
- probability:bool參數(shù) 默認(rèn)為False
是否啟用概率估計(jì)。 這必須在調(diào)用fit()之前啟用,并且會(huì)fit()方法速度變慢。
- shrinking:bool參數(shù) 默認(rèn)為True
是否采用啟發(fā)式收縮方式。
- tol: float參數(shù) 默認(rèn)為1e^-3
svm停止訓(xùn)練的誤差精度。
- cache_size:float參數(shù) 默認(rèn)為200
指定訓(xùn)練所需要的內(nèi)存,以MB為單位,默認(rèn)為200MB。 - class_weight:字典類型或者‘balance'字符串。默認(rèn)為None
給每個(gè)類別分別設(shè)置不同的懲罰參數(shù)C,則該類別的懲罰系數(shù)為class_weight[i]*C,如果沒有給,則會(huì)給所有類別都給C=1,即前面參數(shù)指出的參數(shù)C。
如果給定參數(shù)‘balance',則使用y的值自動(dòng)調(diào)整與輸入數(shù)據(jù)中的類頻率成反比的權(quán)重。
- verbose :bool參數(shù) 默認(rèn)為False
是否啟用詳細(xì)輸出。 此設(shè)置利用libsvm中的每個(gè)進(jìn)程運(yùn)行時(shí)設(shè)置,如果啟用,可能無法在多線程上下文中正常工作。一般情況都設(shè)為False,不用管它。
- max_iter :int參數(shù) 默認(rèn)為-1
最大迭代次數(shù),如果為-1,表示不限制
- random_state:int型參數(shù) 默認(rèn)為None
偽隨機(jī)數(shù)發(fā)生器的種子,在混洗數(shù)據(jù)時(shí)用于概率估計(jì)。
SVC的方法
1、fit()方法:用于訓(xùn)練SVM,具體參數(shù)已經(jīng)在定義SVC對(duì)象的時(shí)候給出了,這時(shí)候只需要給出數(shù)據(jù)集X和X對(duì)應(yīng)的標(biāo)簽y即可。
2、predict()方法:基于以上的訓(xùn)練,對(duì)預(yù)測(cè)樣本T進(jìn)行類別預(yù)測(cè),因此只需要接收一個(gè)測(cè)試集T,該函數(shù)返回一個(gè)數(shù)組表示個(gè)測(cè)試樣本的類別。
3、predict_proba():返回每個(gè)輸入類別的概率,這與predict方法不同,predict方法返回的輸入樣本屬于那個(gè)類別,但沒有概率。使用此方法時(shí),需要在初始化時(shí),將 probability參數(shù)設(shè)置為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]]
如果初始化時(shí)不適用probability參數(shù):
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] #輸出的結(jié)果為:[1,1]
屬性有哪些:
svc.n_support_:各類各有多少個(gè)支持向量
svc.support_:各類的支持向量在訓(xùn)練樣本中的索引
svc.support_vectors_:各類所有的支持向量
關(guān)于“sklearn中SVC實(shí)現(xiàn)與類參數(shù)的示例分析”這篇文章就分享到這里了,希望以上內(nèi)容可以對(duì)大家有一定的幫助,使各位可以學(xué)到更多知識(shí),如果覺得文章不錯(cuò),請(qǐng)把它分享出去讓更多的人看到。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。