经常用到sklearn中的SVC函数,这里把文档中的参数翻译了一些,以备不时之需。
本身这个函数也是基于libsvm实现的,所以在参数设置上有很多相似的地方。(PS: libsvm中的二次规划问题的解决算法是SMO)。
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:
C:C-SVC的惩罚参数C?默认值是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,默认是rbf,可以是‘linear’,
‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’
0 – 线性:u‘v
1 – 多项式:(gamma*u‘*v + coef0)^degree
2 – RBF函数:exp(-gamma|u-v|^2)
3 –sigmoid:tanh(gamma*u‘*v + coef0)
degree:多项式poly函数的维度,默认是3,选择其他核函数时会被忽略。
gamma : ‘rbf’,‘poly’ 和‘sigmoid’的核函数参数。默认是’auto’,则会选择1/n_features
coef0 :核函数的常数项。对于‘poly’和 ‘sigmoid’有用。
probability:是否采用概率估计?.默认为False
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=None3
random_state:数据洗牌时的种子值,int值
主要调节的参数有:C、kernel、degree、gamma、coef0。
仅供参考,正确性自行检测,最好阅读官方文档。
原文地址:https://www.cnblogs.com/zrmw/p/11448228.html