sklearn中SVC和SVR的參數說明

部分內容參考博客，會有標註

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	表示錯誤項的懲罰係數C越大，即對分錯樣本的懲罰程度越大，因此在訓練樣本中準確率越高，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，一般採用後者，把訓練樣本集中錯誤分類的樣本作爲噪聲。	float參數 默認值爲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，輸入後算法內部將使用你提供的矩陣進行計算	str參數 默認爲‘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 默認爲3
gamma	該參數爲核函數係數，只對‘rbf’,‘poly’,‘sigmod’有效。如果gamma設置爲auto，代表其值爲樣本特徵數的倒數，即1/n_features，也有其他值可設定。	float參數 默認爲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 默認爲0.0
probability	該參數表示是否啓用概率估計。 這必須在調用fit()之前啓用，並且會使fit()方法速度變慢。	bool參數 默認爲False
shrinkintol	該參數表示是否選用啓發式收縮方式。	bool參數 默認爲True
tol	svm停止訓練的誤差精度，也即閾值。	float參數 默認爲1e^-3
cache_size	該參數表示指定訓練所需要的內存，以MB爲單位，默認爲200MB。	float參數 默認爲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。默認爲None
verbose	該參數表示是否啓用詳細輸出。此設置利用libsvm中的每個進程運行時設置，如果啓用，可能無法在多線程上下文中正常工作。一般情況都設爲False，不用管它。	bool參數 默認爲False
max_iter	該參數表示最大迭代次數，如果設置爲-1則表示不受限制。	int參數 默認爲-1
random_state	該參數表示在混洗數據時所使用的僞隨機數發生器的種子，如果選int，則爲隨機數生成器種子；如果選RandomState instance，則爲隨機數生成器；如果選None,則隨機數生成器使用的是np.random	int，RandomState instance ，None 默認爲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數據集爲例，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籤的平均精確度
svc.predict_log_proba(X_test)，svc.predict_proba(X_test)	當sklearn.svm.SVC(probability=True)時，纔會有這兩個值，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線性迴歸,支持向量機SVR迴歸,隨機森林迴歸,神經網絡迴歸參數解釋及示例
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

參數	含義	數據類型
kernel	svc中指定的kernel類型。 可以是： ‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’ 或者自己指定。 默認使用‘rbf’ 。	string, optional (default=’rbf’)
degree	當指定kernel爲 ‘poly’時，表示選擇的多項式的最高次數，默認爲三次多項式。 若指定kernel不是‘poly’,則忽略，即該參數只對‘poly’有作用。	int, optional (default=3)
gamma	當kernel爲‘rbf’, ‘poly’或‘sigmoid’時的kernel係數。 如果不設置，默認爲 ‘auto’ ，此時，kernel係數設置爲：1/n_features	float, optional (default=’auto’)
coef0	kernel函數的常數項。 只有在 kernel爲‘poly’或‘sigmoid’時有效，默認爲0。	float, optional (default=0.0)
tol	誤差項達到指定值時則停止訓練，默認爲1e-3，即0.001。	float, optional (default=1e-3)
C	誤差項的懲罰參數，一般取值爲10的n次冪，如10的-5次冪，10的-4次冪。。。。10的0次冪，10，1000,1000，在python中可以使用pow（10，n） n=-5~inf C越大，相當於希望鬆弛變量接近0，即對誤分類的懲罰增大，趨向於對訓練集全分對的情況，這樣會出現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，容錯能力增強，泛化能力較強。	float, optional (default=1.0)
epsilon	ε，Epsilon在epsilon-SVR模型中。它指定了epsilon-tube，其中訓練損失函數中沒有懲罰與在實際值的距離epsilon內預測的點。	float，optional（默認值= 0.1）
shrinking	如果能預知哪些變量對應着支持向量，則只要在這些樣本上訓練就夠了，其他樣本可不予考慮，這不影響訓練結果，但降低了問題的規模並有助於迅速求解。進一步，如果能預知哪些變量在邊界上(即a=C)，則這些變量可保持不動，只對其他變量進行優化，從而使問題的規模更小，訓練時間大大降低。這就是Shrinking技術。 Shrinking技術基於這樣一個事實：支持向量只佔訓練樣本的少部分，並且大多數支持向量的拉格朗日乘子等於C	boolean, optional (default=True)
cache_size	指定內核緩存的大小，默認爲200M。	float, optional
verbose	是否啓用詳細輸出。 多線程時可能不會如預期的那樣工作。默認爲False。	bool, default: False
max_iter	默認設置爲-1，表示無窮大迭代次數。 Hard limit on iterations within solver, or -1 for no limit.	int, optional (default=-1)