?

from sklearn import svm, model_selection import pandas as pd import numpy as np #支持向量機主要調節的參數有：C、kernel、degree、gamma、coef0。 #C 默認 = 1.0正則化參數。 #kernel {‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’}, default =’rbf’ #degreeint, default = 3 多項式核函數 ('poly') 的次數 浮點數 #gamma{‘scale’, ‘auto’} or float, default=’scale’ #coef0 default=0.0 核函數中的獨立項。它僅在“poly”和“sigmoid”中有意義。 from sklearn.model_selection import GridSearchCV# 設置隨機種子 random_state_model = 40 feature_number = 45 filepath = r"xls" ExcelData = pd.read_excel(filepath) # reading file ExcelData = np.array(ExcelData) classifypointdata = ExcelData[:, 0:feature_number] classifypointlabel = ExcelData[:, -1] # 切分數據，固定隨機種子（random_state）時，同樣的代碼，得到的訓練集數據相同。 # 此處運行完的結果可能是string類型之后用于計算時記得類型轉換 train_data, test_data, train_label, test_label = model_selection.train_test_split(classifypointdata, classifypointlabel, random_state=random_state_model,train_size=0.8) SVM_classifier = svm.SVC() #kernel核心函數 # SVM_params = [{'kernel': ['linear'], 'C': [1, 10, 100]}, # {'kernel': ['poly'], 'C': [1,10], 'degree': [1,3,5]}, # {'kernel': ['rbf'], 'C': [1, 10], 'gamma': [0.01,0.00001]}] SVM_params = {'kernel': ['linear'], 'C': [1, 10]}SVM_GSC = GridSearchCV(SVM_classifier, SVM_params, cv=3) SVM_GSC.fit(train_data,train_label) #獲取網格搜索每個參數組合 SVM_GSC.cv_results_['params'] #獲取網格搜索每個參數組合所對應的平均測試分值 SVM_GSC.cv_results_['mean_test_score'] #獲取最好的參數 print(SVM_GSC.best_params_) print(SVM_GSC.best_score_) print(SVM_GSC.best_estimator_)

總結

以上是生活随笔為你收集整理的网格搜索支持向量机运行结束不了的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。