?官方鏈接

sklearn.svm.SVC — scikit-learn 1.0.2 documentationhttps://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html#sklearn.svm.SVC該方法是基于libsvm（支持向量機庫）實現的

libsvm官網

LIBSVM -- A Library for Support Vector MachinesAn integrated and easy-to-use tool for support vector classification and regressionhttps://www.csie.ntu.edu.tw/~cjlin/libsvm/

在官方文檔中說明該SVC適合萬個樣本數據集

如果超過萬個樣本數據集，即對于大型數據集，考慮使用LinearSVCor?SGDClassifier代替

一、參數介紹

1.1重點參數介紹

該SVC重要的參數就是核函數kernel

kernel，提供的可選參數有

{‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’} or callable, 默認=’rbf’

linear：線性核函數? u'v

poly：多項式核函數? (gamma*u'*v + coef0)^degree

?rbf：徑向基函數? exp(-gamma|u-v|^2)

sigmoid：sigmoid核函數?tanh(gamma*u'*v + coef0)

precomputed：

1.2其他參數（主要調節參數）

主要調節的參數有：C、kernel、degree、gamma、coef0。

參數參數說明

C	默認=1.0 正則化參數。正則化的強度與 C 成反比。必須嚴格為正。罰分是平方 l2 罰分。 C越大，相當于懲罰松弛變量，希望松弛變量接近0，即對誤分類的懲罰增大，趨向于對訓練集全分對的情況，這樣對訓練集測試時準確率很高，但泛化能力弱。C值小，對誤分類的懲罰減小，允許容錯，將他們當成噪聲點，泛化能力較強。
kernel	見1.1
degree	多項式核函數 ('poly') 的度數。被所有其他內核忽略。
gamma	{'scale', 'auto'} 或浮點數，默認 ='scale' 'rbf'、'poly' 和 'sigmoid' 的核系數。 如果gamma='scale'(default) 被傳遞，那么它使用 1 / (n_features * X.var()) 作為 gamma 的值， 如果是“自動”，則使用 1 / n_features。
coef0	默認=0.0 核函數中的獨立項。它僅在“poly”和“sigmoid”中有意義。

?補充：

對于多分類學習需要設置decision_function_shape參數

{'ovo'，'ovr'}，默認='ovr'

是否像所有其他分類器一樣返回形狀為 (n_samples, n_classes) 的一對一 ('ovr') 決策函數，或者返回具有形狀 (n_samples) 的 libsvm 的原始一對一 ('ovo') 決策函數, n_classes * (n_classes - 1) / 2)。然而，一對一（'ovo'）總是被用作多類策略。對于二元分類，該參數被忽略。

如需詳細解釋請查看周志華的《機器學習》清華出版社第63頁

?

?二、參數優化（網格搜索+粒子群優化算法）

此處我們采用網格搜索+粒子群優化算法對支持向量機進行優化

先采用網格搜索進行大致范圍搜索，然后利用粒子群優化算法進行詳細優化

總結

以上是生活随笔為你收集整理的sklearn中的支持向量机SVC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。