sklearn中的svm参数介绍

svm是sklearn中一个关于支持向量机的包，比较常用，在使用过程中若是不熟悉各个参数的意义，总以默认参数进行机器学习，则不能做到最优化使用SVM，这就是一个较为遗憾的事情了。为了加深理解和方便调用，根据现有理解，结合官方文档，对其中的参数做一些记录，方便自己时常温习，也给阅读者进行一些粗浅的介绍，如果有理解错误的地方，希望阅读者能够指出。

以svm中的支持向量分类SVC作为介绍，所有参数如下：

class 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)

具体每个参数的使用方法介绍如下：

C : float, optional (default=1.0)    误差项的惩罚参数，一般取值为10的n次幂，如10的-5次幂，10的-4次幂。。。。10的0次幂，10，1000,1000，在python中可以使用pow（10，n） n=-5~inf    C越大，相当于惩罚松弛变量，希望松弛变量接近0，即对误分类的惩罚增大，趋向于对训练集全分对的情况，这样会出现训练集测试时准确率很高，但泛化能力弱。    C值小，对误分类的惩罚减小，容错能力增强，泛化能力较强。

kernel : string, optional (default=’rbf’)    svc中指定的kernel类型。    可以是： ‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’ 或者自己指定。 默认使用‘rbf’ 。

degree : int, optional (default=3)    当指定kernel为 ‘poly’时，表示选择的多项式的最高次数，默认为三次多项式。    若指定kernel不是‘poly’,则忽略，即该参数只对‘poly’有作用。

gamma : float, optional (default=’auto’)    当kernel为‘rbf’, ‘poly’或‘sigmoid’时的kernel系数。    如果不设置，默认为 ‘auto’ ，此时，kernel系数设置为：1/n_features

coef0 : float, optional (default=0.0)    kernel函数的常数项。    只有在 kernel为‘poly’或‘sigmoid’时有效，默认为0。

probability : boolean, optional (default=False)    是否采用概率估计。    必须在fit（）方法前使用，该方法的使用会降低运算速度，默认为False。 

shrinking : boolean, optional (default=True)    如果能预知哪些变量对应着支持向量，则只要在这些样本上训练就够了，其他样本可不予考虑，这不影响训练结果，但降低了问题的规模并有助于迅速求解。进一步，如果能预知哪些变量在边界上(即a=C)，则这些变量可保持不动，只对其他变量进行优化，从而使问题的规模更小，训练时间大大降低。这就是Shrinking技术。    Shrinking技术基于这样一个事实：支持向量只占训练样本的少部分，并且大多数支持向量的拉格朗日乘子等于C。

tol : float, optional (default=1e-3)    误差项达到指定值时则停止训练，默认为1e-3，即0.001。

cache_size : float, optional    指定内核缓存的大小，默认为200M。

class_weight : {dict, ‘balanced’}, optional    权重设置。如果不设置，则默认所有类权重值相同。    以字典形式传入。    ##（这个具体使用还不是很清楚）##    Set the parameter C of class i to class_weight[i]*C for SVC. If not given, all classes are supposed to have weight one. The “balanced” mode uses the values of y to automatically adjust weights inversely proportional to class frequencies in the input data as n_samples / (n_classes * np.bincount(y))

verbose : bool, default: False    是否启用详细输出。    多线程时可能不会如预期的那样工作。默认为False。

max_iter : int, optional (default=-1)    强制设置最大迭代次数。    默认设置为-1，表示无穷大迭代次数。    Hard limit on iterations within solver, or -1 for no limit.

decision_function_shape : ‘ovo’, ‘ovr’, default=’ovr’    ##这个用法也不是很理解##    Whether to return a one-vs-rest (‘ovr’) decision function of shape (n_samples, n_classes) as all other classifiers, or the original one-vs-one (‘ovo’) decision function of libsvm which has shape (n_samples, n_classes * (n_classes - 1) / 2).    Changed in version 0.19: decision_function_shape is ‘ovr’ by default.    New in version 0.17: decision_function_shape=’ovr’ is recommended.    Changed in version 0.17: Deprecated decision_function_shape=’ovo’ and None.

random_state : int, RandomState instance or None, optional (default=None)    伪随机数使用数据。 

一些属性介绍：

Attributes: support_ : array-like, shape = [n_SV]    Indices of support vectors.support_vectors_ : array-like, shape = [n_SV, n_features]    Support vectors.n_support_ : array-like, dtype=int32, shape = [n_class]    Number of support vectors for each class.dual_coef_ : array, shape = [n_class-1, n_SV]    Coefficients of the support vector in the decision function. For multiclass, coefficient for all 1-vs-1 classifiers. The layout of the coefficients in the multiclass case is somewhat non-trivial. See the section about multi-class classification in the SVM section of the User Guide for details.coef_ : array, shape = [n_class-1, n_features]    Weights assigned to the features (coefficients in the primal problem). This is only available in the case of a linear kernel.    coef_ is a readonly property derived from dual_coef_ and support_vectors_.intercept_ : array, shape = [n_class * (n_class-1) / 2]    Constants in decision function.