常用ML方法及参数

最新推荐文章于 2023-08-05 01:18:24 发布

原创

最新推荐文章于 2023-08-05 01:18:24 发布 · 1.8k 阅读

0 ·

CC 4.0 BY-SA版权

本文介绍了SVM（支持向量机）的参数设置，包括SVC类中的C、kernel、degree、gamma、coef0等关键参数的作用和默认值。同时，讲解了概率估计、收缩启发式、公差停止标准等相关概念，帮助理解SVM的内在工作原理和优化技巧。

1.SVM
Sklearn.svm.SVC参数设置

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)

C: float,optional(default=1.0)
错误项的惩罚参数C

Kernel:string,optional(default=’rbf’)
指定要在算法中使用的内核类型。它必须是’linear’，‘poly’，‘rbf’，‘sigmoid’，‘precomputed’或者callable之一。如果没有给出，将使用’rbf’。如果给出可调用，则它用于从数据矩阵预先计算内核矩阵; 该矩阵应该是一个形状数组（n_samples，n_samples）。

degree: int,option(default=3)
多项式核函数的次数（‘poly’）。被所有其他内核忽略。

gamma: float,optional(default:’auto’)
‘rbf’，‘poly’和’sigmoid’的核系数。如果gamma是’auto’，那么将使用1 / n_features。

coef0:float,option(default:0.0)
核函数中的独立项。它只在’poly’和’sigmoid’中很重要。

probability : boolean, optional (default=False)
是否启用概率估计。必须在调用fit之前启用它，并且会减慢该方法的速度。

shrinking : boolean, optional (default=True)
是否使用收缩启发