sklearn中SVC和SVR的參數說明

SVC

轉載於：機器學習筆記(3)-sklearn支持向量機SVM–Spytensor

官方源碼

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='ovr', 
                random_state=None)

參數解析

參數	含義	數據類型
C	表示錯誤項的懲罰系數C越大，即對分錯樣本的懲罰程度越大，因此在訓練樣本中准確率越高，但是泛化能力降低；相反，減小C的話，容許訓練樣本中有一些誤分類錯誤樣本，泛化能力強。對於訓練樣本帶有噪聲的情況，一般采用后者，把訓練樣本集中錯誤分類的樣本作為噪聲。	float參數 默認值為1.0
kernel	該參數用於選擇模型所使用的核函數，算法中常用的核函數有：-- linear：線性核函數-- poly：多項式核函數–rbf：徑像核函數/高斯核–sigmod：sigmod核函數–precomputed：核矩陣，該矩陣表示自己事先計算好的，輸入后算法內部將使用你提供的矩陣進行計算	str參數 默認為‘rbf’
degree	該參數只對’kernel=poly’(多項式核函數)有用，是指多項式核函數的階數n，如果給的核函數參數是其他核函數，則會自動忽略該參數。	int型參數 默認為3
gamma	該參數為核函數系數，只對‘rbf’,‘poly’,‘sigmod’有效。如果gamma設置為auto，代表其值為樣本特征數的倒數，即1/n_features，也有其他值可設定。	float參數 默認為auto
coef0	該參數表示核函數中的獨立項，只有對‘poly’和‘sigmod’核函數有用，是指其中的參數c。	float參數 默認為0.0
probability	該參數表示是否啟用概率估計。 這必須在調用fit()之前啟用，並且會使fit()方法速度變慢。	bool參數 默認為False
shrinkintol	該參數表示是否選用啟發式收縮方式。	bool參數 默認為True
tol	svm停止訓練的誤差精度，也即閾值。	float參數 默認為1e^-3
cache_size	該參數表示指定訓練所需要的內存，以MB為單位，默認為200MB。	float參數 默認為200
class_weight	該參數表示給每個類別分別設置不同的懲罰參數C，如果沒有給，則會給所有類別都給C=1，即前面參數指出的參數C。如果給定參數‘balance’，則使用y的值自動調整與輸入數據中的類頻率成反比的權重。	字典類型或者‘balance’字符串。默認為None
verbose	該參數表示是否啟用詳細輸出。此設置利用libsvm中的每個進程運行時設置，如果啟用，可能無法在多線程上下文中正常工作。一般情況都設為False，不用管它。	bool參數 默認為False
max_iter	該參數表示最大迭代次數，如果設置為-1則表示不受限制。	int參數 默認為-1
random_state	該參數表示在混洗數據時所使用的偽隨機數發生器的種子，如果選int，則為隨機數生成器種子；如果選RandomState instance，則為隨機數生成器；如果選None,則隨機數生成器使用的是np.random	int，RandomState instance ，None 默認為None

函數

函數	作用
svc.decision_function(X)	樣本X到分離超平面的距離
svc.fit(X, y[, sample_weight])	根據給定的訓練數據擬合SVM模型。
svc.get_params([deep])	獲取此估算器的參數並以字典行書儲存,默認deep=True，以分類iris數據集為例，得到的參數如下
svc.predict(X)	根據測試數據集進行預測
svc.score(X, y[, sample_weight])	返回給定測試數據和標簽的平均精確度
svc.predict_log_proba(X_test)，svc.predict_proba(X_test)	當sklearn.svm.SVC(probability=True)時，才會有這兩個值，分別得到樣本的對數概率以及普通概率。

屬性

屬性	含義
svc.coef_[0]	權重
svc.intercept_	bias，偏差

SVR

參考：sklearn線性回歸,支持向量機SVR回歸,隨機森林回歸,神經網絡回歸參數解釋及示例
sklearn.svm.SVR的參數介紹

官方源碼

sklearn.svm.SVR（kernel ='rbf'，degree = 3，gamma ='auto_deprecated'，coef0 = 0.0，
        tol = 0.001，C = 1.0，epsilon = 0.1，shrinking = True，cache_size = 200，        
        verbose = False，max_iter = -1 ）

參數解析