SVM算法api中的SVC、NuSVC、LinearSVC

SVM具有良好的魯棒性，對未知數(shù)據(jù)擁有很強的泛化能力，特別是在數(shù)據(jù)量較少的情況下，相較其他傳統(tǒng)機器學習算法具有更優(yōu)的性能。

使用SVM作為模型時，通常采用如下流程：

1. 對樣本數(shù)據(jù)進行歸一化。

2. 應(yīng)用核函數(shù)對樣本進行映射(最常采用和核函數(shù)是RBF和Linear，在樣本線性可分時，Linear效果要比RBF好)。

3. 用cross-validation和grid-search對超參數(shù)進行優(yōu)選。

4. 用最優(yōu)參數(shù)訓練得到模型。

5. 測試

sklearn中支持向量分類主要有三種方法：SVC、NuSVC、LinearSVC，擴展為三個支持向量回歸方法：SVR、NuSVR、LinearSVR。

SVC和NuSVC方法基本一致，唯一區(qū)別就是損失函數(shù)的度量方式不同

 • NuSVC中的nu參數(shù)和SVC中的C參數(shù);

 • LinearSVC是實現(xiàn)線性核函數(shù)的支持向量分類，沒有kernel參數(shù)。
SVC

class sklearn.svm.SVC(C=1.0, kernel='rbf', degree=3,coef0=0.0,random_state=None)

C: 懲罰系數(shù)，用來控制損失函數(shù)的懲罰系數(shù)，類似于線性回歸中的正則化系數(shù)。

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，這樣會出現(xiàn)訓練集測試時準確率很?，但泛化能力弱，容易導(dǎo)致過擬合。

C值小，對誤分類的懲罰減小，容錯能力增強，泛化能力較強，但也可能欠擬合。

kernel: 算法中采用的核函數(shù)類型，核函數(shù)是用來將非線性問題轉(zhuǎn)化為線性問題的?種方法。

參數(shù)選擇有RBF, Linear, Poly, Sigmoid或者自定義一個核函數(shù)。

默認的是"RBF"，即徑向基核，也就是高斯核函數(shù);

而Linear指的是線性核函數(shù)，

Poly指的是多項式核，

Sigmoid指的是雙曲正切函數(shù)tanh核;。

degree:

當指定kernel為'poly'時，表示選擇的多項式的最高次數(shù)，默認為三次多項式;

若指定kernel不是'poly'，則忽略，即該參數(shù)只對'poly'有用。

多項式核函數(shù)是將低維的輸入空間映射到高維的特征空間。

coef0: 核函數(shù)常數(shù)值(y=kx+b中的b值)， 只有‘poly’和‘sigmoid’核函數(shù)有，默認值是0。
NuSVC

class sklearn.svm.NuSVC(nu=0.5)

nu： 訓練誤差部分的上限和?持向量部分的下限，取值在(0，1)之間，默認是0.5

LinearSVC

class sklearn.svm.LinearSVC(penalty='l2', loss='squared_hinge', dual=True, C=1.0)

penalty:正則化參數(shù)，L1和L2兩種參數(shù)可選，僅LinearSVC有。

loss:損失函數(shù)，

有hinge和squared_hinge兩種可選，前者?稱L1損失，后者稱為L2損失，默認是squared_hinge，

其中hinge是SVM的標準損失，squared_hinge是hinge的平方

dual:是否轉(zhuǎn)化為對偶問題求解，默認是True。

C:懲罰系數(shù)，

用來控制損失函數(shù)的懲罰系數(shù)，類似于線性回歸中的正則化系數(shù)