Python sklearn SVC用法及代碼示例

本文簡要介紹python語言中 sklearn.svm.SVC 的用法。

用法:

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)

C-Support 向量分類。

該實現基於 libsvm。擬合時間至少與樣本數量成二次方關係，超過數萬個樣本可能不切實際。對於大型數據集，可以考慮使用 LinearSVC 或 SGDClassifier ，可能在 Nystroem 轉換器之後。

多類支持根據one-vs-one 方案處理。

有關所提供內核函數的精確數學公式以及 gamma 、 coef0 和 degree 如何相互影響的詳細信息，請參閱敘述文檔中的相應部分：內核函數。

在用戶指南中閱讀更多信息。

參數：

C：浮點數，默認=1.0

正則化參數。正則化的強度與 C 成反比。必須嚴格為正。罰分是平方 l2 罰分。

kernel：{‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’} 或可調用，默認='rbf'

指定要在算法中使用的內核類型。如果沒有給出，將使用‘rbf’。如果給定了可調用對象，則它用於從數據矩陣中預先計算內核矩陣；該矩陣應該是一個形狀為 (n_samples, n_samples) 的數組。

degree：整數，默認=3

多項式核函數的度數 (‘poly’)。被所有其他內核忽略。

gamma：{‘scale’, ‘auto’} 或浮點數，默認='scale'

‘rbf’, ‘poly’ 和 ‘sigmoid’ 的核係數。

• 如果gamma='scale'(默認)被傳遞，那麽它使用 1 /(n_features * X.var()) 作為伽瑪值，
• 如果‘auto’，使用 1 /n_features。

coef0：浮點數，默認=0.0

核函數中的獨立項。僅在‘poly’和‘sigmoid’中有意義。

shrinking：布爾，默認=真

是否使用收縮啟發式。請參閱用戶指南。

probability：布爾，默認=假

是否啟用概率估計。這必須在調用 fit 之前啟用，這會減慢該方法，因為它在內部使用 5 折交叉驗證，並且 predict_proba 可能與 predict 不一致。在用戶指南中閱讀更多信息。

tol：浮點數，默認=1e-3

停止標準的容差。

cache_size：浮點數，默認=200

指定內核緩存的大小(以 MB 為單位)。

class_weight：dict或‘balanced’，默認=無

對於 SVC，將第 i 類的參數 C 設置為class_weight[i]*C。如果沒有給出，所有的類都應該有一個權重。 “balanced” 模式使用 y 的值自動調整與輸入數據中的類頻率成反比的權重，如 n_samples / (n_classes * np.bincount(y)) 。

verbose：布爾，默認=假

啟用詳細輸出。請注意，此設置利用了 libsvm 中的 per-process 運行時設置，如果啟用，該設置可能無法在多線程上下文中正常工作。

max_iter：整數，默認=-1

求解器內迭代的硬限製，或 -1 表示無限製。

decision_function_shape：{‘ovo’, ‘ovr’}，默認='ovr'

是否像所有其他分類器一樣返回形狀為 (n_samples, n_classes) 的 one-vs-rest (‘ovr’) 決策函數，或者返回 libsvm 的原始 one-vs-one (‘ovo’) 決策函數，其形狀為 (n_samples, n_classes * (n_classes - 1) /2)。但是，one-vs-one (‘ovo’) 始終用作多類別策略。對於二元分類，該參數被忽略。

break_ties：布爾，默認=假

如果為真，decision_function_shape='ovr'，並且類數 > 2，predict 將根據 decision_function 的置信度值打破平局；否則返回綁定類中的第一個類。請注意，與簡單的預測相比，打破平局的計算成本相對較高。

random_state：int、RandomState 實例或無，默認=無

控製偽隨機數生成，以對數據進行隨機化以進行概率估計。當 probability 為 False 時忽略。傳遞 int 以獲得跨多個函數調用的可重現輸出。請參閱詞匯表。

屬性：

class_weight_：ndarray 形狀 (n_classes,)

每個類的參數 C 的乘數。根據class_weight 參數計算。

classes_：ndarray 形狀 (n_classes,)

類標簽。

coef_ndarray 形狀 (n_classes * (n_classes - 1) /2, n_features)

kernel="linear" 時分配給特征的權重。

dual_coef_：ndarray 形狀(n_classes -1，n_SV)

決策函數中支持向量的對偶係數(參見數學公式)乘以它們的目標。對於多類，所有 1-vs-1 分類器的係數。多類情況下係數的布局有些重要。有關詳細信息，請參閱用戶指南的多類別部分。

fit_status_：int

如果正確安裝，則為 0，否則為 1(將發出警告)

intercept_：ndarray 形狀 (n_classes * (n_classes - 1) /2,)

決策函數中的常數。

n_features_in_：int

擬合期間看到的特征數。

feature_names_in_：ndarray 形狀(n_features_in_，)

擬合期間看到的特征名稱。僅當 X 具有全為字符串的函數名稱時才定義。

support_：ndarray 形狀 (n_SV)

支持向量的索引。

support_vectors_：ndarray 形狀(n_SV，n_features)

支持向量。

n_support_ndarray 形狀 (n_classes,), dtype=int32

每個類的支持向量數。

probA_ndarray 形狀 (n_classes * (n_classes - 1) /2)

probability=True 時在 Platt 縮放中學習的參數。

probB_ndarray 形狀 (n_classes * (n_classes - 1) /2)

probability=True 時在 Platt 縮放中學習的參數。

shape_fit_：int 形狀的元組 (n_dimensions_of_X,)

訓練向量 X 的數組維度。

參考：

1

LIBSVM：支持向量機庫

2

普拉特，約翰 (1999)。 “支持向量機的概率輸出以及與正則化似然方法的比較。”

例子：

>>> 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]