SVM的核函数之线性和高斯的选择

最新推荐文章于 2025-10-30 12:57:17 发布

原创

最新推荐文章于 2025-10-30 12:57:17 发布 · 1.6w 阅读

68 ·

CC 4.0 BY-SA版权

文章标签：

#SVM #核函数

关于SVM中线性核函数和高斯核函数的选择

关于SVM中线性核函数和高斯核函数的选择

SVM中常用核函数一般是线性核函数和高斯核函数。以sklearn中的SVC，提供的’linear’和’rbf’做说明。面向[n,m]原始数据集，一般的选取准则：

相对于n，m很大。比如m≥n, m=10000, n=10~1000,即(m/n)>10。
考虑’linear’
m很小，n一般大小。比如m=1-1000, n=10~10000,即(m/n)在[0.0001,100].
考虑’rbf’
m很小，n很大。比如n=1-1000，m=50000+，即(m/n)在[~,0.02].
增加m的量，考虑’linear’

补充：logistic约等同于’linear’的选择

#!/usr/bin/python
# encoding: utf-8


"""
@author : jack_lu
@contact : my@google
@File : SVM
@time : 2018/12/12 12:12
"""

# 练习所用数据集
from sklearn.datasets import fetch_lfw_people,olivetti_faces

# 特征提取方法
from sklearn.decomposition import PCA
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
# 特征转换方法
from sklearn.preprocessing import StandardScaler

# sklearn模型方法
from sklearn.model_selection import train_test_split

# metric方法
from sklearn.metrics import accuracy_score

# 机器学习模型
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import Pipeline
from sklearn.svm import SVC

1.基本数据准备

print('#'*50 + '  1.基本数据准备  ' + '#'*50)
lfw_people2 = fetch_lfw_people(min_faces_per_person=70, resize=0.4)  # 需要通过翻墙下载，C:\Users\Administrator\scikit_learn_data\lfw_home\joblib\sklearn\datasets\lfw\_fetch_lfw_people

##################################################  1.基本数据准备  ##################################################

n_samples, h, w = lfw_people2.images.shape
X = lfw_people2.data
y = lfw_people2.target
n_features = X.shape[1]

target_names = lfw_people2.target_names
n_class = target_names.shape[0]<