sklearn.svm.SVC |
您所在的位置：网站首页 › sklearn中pipeline用法 › sklearn.svm.SVC |
|
class 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', break_ties=False, random_state=None)
源码 C支持向量分类。 该实现基于libsvm。拟合时间至少与样本数量成二次关系，如果样本数量超过数万个，拟合时间可能不现实。对于大数据集，可以考虑在使用了 sklearn.kernel_approximation.Nystroem 后，用 sklearn.svm.LinearSVC 或sklearn.linear_model.SGDClassifier 替代。 多类支持是根据one vs-one方案处理的。 关于提供的核函数的精确数学公式以及gamma、coef0和degree如何相互影响的详细信息，请参阅叙述文档中的相应章节: Kernel functions。 更多信息请参阅 使用指南. 参数 说明 C 浮点数，默认= 1.0正则化参数。正则化的强度与C成反比。必须严格为正。此惩罚系数是l2惩罚系数的平方 kernel {‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’}, 默认=’rbf’指定算法中使用的内核类型。它必须是“linear”，“poly”，“rbf”，“sigmoid”，“precomputed”或者“callable”中的一个。如果没有给出，将默认使用“rbf”。如果给定了一个可调用函数，则用它来预先计算核矩阵。该矩阵应为形状数组（n_samples，n_samples） degree 整数型，默认=3多项式核函数的次数(' poly ')。将会被其他内核忽略。 gamma 浮点数或者{‘scale’, ‘auto’} , 默认=’scale’核系数包含‘rbf’, ‘poly’ 和‘sigmoid’如果gamma='scale'(默认)，则它使用1 / (n_features * X.var())作为gamma的值，如果是auto，则使用1 / n_features。在0.22版本有改动：默认的gamma从“auto”改为“scale”。 coef0 浮点数，默认=0.0核函数中的独立项。它只在' poly '和' sigmoid '中有意义。 shrinking 布尔值，默认=True是否使用缩小启发式，参见使用指南 probability 布尔值，默认=False是否启用概率估计。必须在调用fit之前启用此参数，因为该方法内部使用5折交叉验证，因此会减慢该方法的速度，并且predict_proba可能与dict不一致。更多信息请阅读使用指南 tol 浮点数，默认=1e-3残差收敛条件。 cache_size 浮点数，默认=200指定内核缓存的大小（以MB为单位）。 class_weight {dict, ‘balanced’}, 默认=None在SVC中，将类i的参数C设置为class_weight [i] * C。如果没有给出值，则所有类都将设置为单位权重。“balanced”模式使用y的值自动将权重与类频率成反比地调整为n_samples / (n_classes * np.bincount(y)) verbose 布尔值，默认=False是否启用详细输出。请注意，此参数针对liblinear中运行每个进程时设置，如果启用，则可能无法在多线程上下文中正常工作。 max_iter 整数型，默认=-1对求解器内的迭代进行硬性限制，或者为-1（无限制时）。 decision_function_shape {‘ovo’, ‘ovr’}, 默认=’ovr’是否要将返回形状为(n_samples, n_classes)的one-vs-rest (‘ovr’)决策函数应用于其他所有分类器，而在多类别划分中始终使用one-vs-one (‘ovo’)，对于二进制分类，将忽略该参数。在版本0.19中进行了更改：默认情况下Decision_function_shape为ovr。0.17版中的新功能：推荐使用Decision_function_shape ='ovr'。在0.17版中进行了更改：不建议使用Decision_function_shape ='ovo'和None。 break_ties bool, default=False如果为true，decision_function_shape ='ovr'，并且类数> 2，则预测将根据Decision_function的置信度值打破平局；否则，返回绑定类中的第一类。请注意，与简单的预测相比，打破平局的计算成本较高。这是0.22版中的新功能。 random_state 整数型或RandomState的实例，默认=None控制用于数据抽取时的伪随机数生成。当probability为False时将忽略该参数。在多个函数调用之间传递可重复输出的整数值。请参阅词汇表。 属性 说明 support_ 形如(n_SV,)的数组支持向量的指标。 support_vectors_ 形如(n_SV, n_features)的数组支持向量 n_support_ 形如(n_class)的数组，dtype=int32每个类别的支持向量数量。 dual_coef_ 形如(n_class-1, n_SV)的数组决策函数中支持向量的对偶系数（请参见数学公式）。对于多类别，为所有1-vs-1分类器的系数。在多类情况下，系数的布局有些微不足道。有关详细信息，请参见multi-class section of the User Guide。 coef_ 形如(n_class * (n_class-1) / 2, n_features)的数组分配给特征的权重（原始问题的系数），仅在线性内核的情况下可用。coef_是一个继承自raw_coef_的只读属性，它遵循liblinear的内部存储器布局。 intercept_ 形如(n_class * (n_class-1) / 2,)的数组决策函数中的常量。 fit_status_ 整数型如果拟合无误，则为0；如果算法未收敛，则为1。 classes_ 形如(n_classes,)的数组不重复类别标签 probA_ 形如(n_class * (n_class-1) / 2,)的数组 probB_ 形如(n_class * (n_class-1) / 2,)的数组如果probability=True，则它对应于在普拉特缩放中学习的参数，以根据决策值产生概率估计。如果probability=False，则为空数组。普拉特定标使用逻辑函数1 /（1 + exp（decision_value * probA_ + probB_）），其中从数据集[2]了解probA_和probB_。有关多类案件和培训程序的更多信息，请参见[1]的第8节。 class_weight_ 形如(n_class,)的数组每个类的参数C的乘数。根据class_weight参数进行计算。 shape_fit_ 形如(n_dimensions_of_X,)的整数型元祖训练向量X的数组维度另见： SVR 支持向量机使用libsvm实现。 LinearSVC 可扩展线性支持向量机使用liblinear进行分类。 参考文献： [1] LIBSVM: A Library for Support Vector Machines [2] Platt, John (1999). “Probabilistic outputs for support vector machines and comparison to regularizedlikelihood methods.” 示例： >>> import numpy as np>>> from sklearn.pipeline import make_pipeline>>> from sklearn.preprocessing import StandardScaler>>> X = np.array([[-1, -1], [-2, -1], [1, 1], [2, 1]])>>> y = np.array([1, 1, 2, 2])>>> from sklearn.svm import SVC>>> clf = make_pipeline(StandardScaler(), SVC(gamma='auto'))>>> clf.fit(X, y)Pipeline(steps=[('standardscaler', StandardScaler()), ('svc', SVC(gamma='auto'))]) >>> print(clf.predict([[-0.8, -1]]))[1]方法： decision_function(X) 计算X中样本的决策函数。 fit(X, y[, sample_weight]) 根据给定的训练数据拟合支持向量机模型。 get_params([deep]) 获取这个估计器的参数。 predict(X) 在X中对样本进行分类 score(X, y[, sample_weight]) 返回给定测试数据和标签的平均精度。 set_params(**params) 设置这个估计器的参数。 __init__(*, 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', break_ties=False, random_state=None)源码 初始化self。请参阅help(type(self)获取准确的说明。 计算X中样本的决策函数。 参数 说明 X 形如(n_samples, n_features)的数组 返回值 说明 X 形如 (n_samples, n_classes * (n_classes-1) / 2)的数组 返回模型中每个类的样本决策函数。如果decision_function_shape =“ ovr”，则形状为（n_samples，n_classes）。注： 若decision_function_shape= ' ovo '，则函数值与样本X到分离超平面的距离成正比。如果需要精确的距离，用函数值除以权值向量的范数(coef_)。更多细节请参见 这个问题 。若decision_function_shape= ' ovr '，则该决策函数是ovo决策函数的单调变换。 fit(X, y, sample_weight=None)源码 根据给定的训练数据拟合支持向量机模型。 参数 说明 X 形如(n_samples, n_features) 或者 (n_samples, n_samples)的数组或者稀疏矩阵 训练向量，其中n_samples为样本数量，n_features为特征数量。对于kernel= " precomputed "， X的期望形状为(n_samples, n_samples)。 y 形如(n_samples,)的数组 目标值（分类中的类标签，回归中的实数） sample_weight 形如(n_samples,)的数组，默认=None 样本的权重。每个样品重新定标C。较高的权重将使分类器更加注重这些样本点。 返回值 说明 self object注： 如果X和y不是C-ordered，并且np.float64和X的连续数组不是scipy.sparse.csr_matrix，则可以复制X或y。 如果X是一个连续数组，则其他方法将不支持将稀疏矩阵作为输入。 get_params(deep=True) 参数 说明 deep bool, default = True 如果为真，则将返回此估计量和作为估计量的所包含子对象的参数 返回值 说明 params mapping of string to any 参数名被映射至他们的值 predict(X)源码 对X中的样本执行分类。 对于返回值为+1或-1的one-class模型 参数 说明 X 形如(n_samples, n_features) 或者 (n_samples_test, n_samples_train)的数组或者稀疏矩阵 对于内核=“precomputed”，X的预期形状为（n_samples_test，n_samples_train）。 返回值 说明 y_pred 形如(n_sample, )的数组 X中样本的类别标签。 property predict_log_proba计算X中样本的可能结果的对数概率。 该模型需要在训练时计算概率信息：将属性概率设置为True。 参数 说明 X 形如(n_samples, n_features) 或者 (n_samples_test, n_samples_train)的数组或者稀疏矩阵 对于内核=“precomputed”，X的预期形状为（n_samples_test，n_samples_train）。 返回值 说明 T 形如(n_sample, n_classes)的数组 返回模型中每个类的样本的对数概率。列与出现在属性classes_中的类别按顺序对应。注： 概率模型是通过交叉验证建立的，因此其结果可能与通过预测得到的结果略有不同。而且，它会在非常小的数据集上产生无意义的结果。 property predict_proba计算X中样本可能出现结果的概率。 模型需要在训练时计算出概率信息:将属性概率设置为True。 参数 说明 X 形如(n_samples, n_features)的数组 对于内核=“precomputed”，X的预期形状为（n_samples_test，n_samples_train）。 返回值 说明 T 形如(n_sample, n_classes)的数组 返回模型中每个类的样本的概率。列与出现在属性classes_中的类别按顺序对应。注： 概率模型是通过交叉验证建立的，因此其结果可能与通过预测得到的结果略有不同。而且，它会在非常小的数据集上产生无意义的结果。 score(X, y, sample_weight=None)源码 返回给定测试数据和标签上的平均准确度。 在多标签分类中，这是子集精度，这是一个苛刻的指标，因为你需要对每个样本正确预测每个标签集。 参数 说明 X 形如 (n_samples, nfeatures)的数组 测试样本 y 形如 (n_sample, ) 或者 (n_samples, n_outputs)的数组 X中结果为真的标签 sample_weight 形如(n_samples,)的数组，默认=None样本的权重 返回值 说明 score 浮点型 self.predict(X) wrt. y.的平均精度 set_params(self, **params)源码 设置当前估计量的参数。 该方法适用于简单估计量和嵌套对象(如pipline)。后者具有形式为_的参数，这样就让更新嵌套对象的每个组件成为了可能。 参数 说明 **f_params dict 估计量参数 返回值 说明 self object估计器实例 |
今日新闻 |
推荐新闻 |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |