Machine Learning

Appearance

SVM API ​

API ​

python
sklearn.svm.SVC(C=1.0, kernel='rbf', degree=3, gamma='scale', 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)

其中：

  • C：软间隔参数，控制正则化强度，默认值为 1.0。
  • kernel：核函数类型，默认值为'rbf'，可选'linear', 'poly', 'rbf','sigmoid'。
  • degree：多项式核函数的最高次项，默认值为 3。
  • gamma：核函数的系数，默认值为'scale'，也可指定具体的值。
  • shrinking：是否使用收缩算法，默认值为 True。
  • probability：是否返回预测的概率，默认值为 False。
  • tol：容忍度，默认值为 0.001。
  • cache_size：缓存大小，默认值为 200。
  • class_weight：类别权重，默认值为 None。
  • verbose：是否显示训练过程，默认值为 False。
  • max_iter：最大迭代次数，默认值为-1。
  • decision_function_shape：决策函数的形状，默认值为'ovr'，也可指定'ovo'。
  • random_state：随机种子，默认值为 None。

示例 ​

python
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 加载数据
iris = load_iris()
X, y = iris.data, iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建SVM分类器
clf = SVC(C=1.0, kernel='rbf', gamma='scale', random_state=42)

# 训练模型
clf.fit(X_train, y_train)

# 预测
y_pred = clf.predict(X_test)
print(y_pred)

# 评估模型
print(accuracy_score(y_test, y_pred))

某一次的输出结果：

shell
[1 0 2 1 1 0 1 2 1 1 2 0 0 0 0 1 2 1 1 2 0 2 0 2 2 2 2 2 0 0]
1.0