python 利用库sklearn 中的 grid_search对svm 参数寻优（借鉴）

最新推荐文章于 2025-05-29 09:04:45 发布

年轻的老干爹

最新推荐文章于 2025-05-29 09:04:45 发布

阅读量6.3k

点赞数 2

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/u013174482/article/details/72763179

本文档展示了如何在Python中利用sklearn库的grid_search对支持向量机（SVM）进行参数优化。通过加载Mnist数据集，训练和测试SVM模型，并计算精度、召回率和准确率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import time
from sklearn import metrics
import numpy as np
import pickle
from sklearn.tree import DecisionTreeClassifier

def svm_cross_validation(val_x, val_y):
from sklearn.grid_search import GridSearchCV
from sklearn.svm import SVC
model = SVC(kernel='rbf', probability=True)
param_grid = {'C': [ 1e-1, 1, 10], 'gamma': [0.001]}
grid_search = GridSearchCV(model, param_grid, n_jobs = 1, verbose=1)
grid_search.fit(train_x, train_y)
best_parameters = grid_search.best_estimator_.get_params()
for para, val in best_parameters.items():
print(para, val)
model = SVC(kernel='rbf', C=best_parameters['C'], gamma=best_parameters['gamma'], probability=True)