Scikit-learn section10 for cvpytorch

Scikit-learn section10 for cvpytorch

英文官方教程链接如下：

https://scikit-learn.org/stable/modules/svm.htmlhttps://scikit-learn.org/stable/modules/svm.html

想必大家都听过支持向量机这个概念了吧，我并不是太懂，但我觉得很有必要学一学。也学那些前辈也是在不停的探索之中慢慢成为高手的吧。

---

支持向量机 (SVMs) 是一种有监督学习方法。

它的优点有：一，在高维空间有效。二，维度数比样本数大的时候有效。三， 有效记忆。四，可以为决策函数指定不同的核函数。

它的缺点有：一，特征数比样本数大得多的时候会导致过拟合。二，它不直接提供概率估计，它使用昂贵的5折交叉验证。

---

官网展示的有 SVC、LinearSVC 等。说实话，这部分讲的还是挺难的，我也有许多地方没能搞懂。下面是类的介绍。

参数描述Cfloat，default=1.0，正则化参数，越大越强。kernel{'linear','poly','rbf','sigmoid','precomputed'} or callable，default='rbf'。指定算法中使用的内核类型。degreeint，default=3，poly 核的度。gamma{'scale','auto'} or float，default='scale'，针对 'rbf','poly','sigmoid' 的核系数。coef0float，default=0.0，只在 'poly','sigmoid' 中重要。shrinkingbool，default=True，是否使用 shrinking heuristic。probabilitybool，default=False，是否启用概率估计。在调用 ‘fit’ 之前必须启用该选项，浙江减慢该方法的速度，因为它内部使用5折交叉验证，‘predict_proba’ 可能与 ‘predict’ 不一致。tolfloat，default=1e-3，停止标准的公差。cache_sizefloat，default=200，指定 kernel cache 的大小。class_weightdict or 'balanced'，default=None，将 i 类的参数 C 设成 class_weight[i]*C。如果没指定，所有类都应该有一个权重。'balanced' 模式使用 y 的值自动调整权重，该权重与输入数据中的类频率成反比，如 “n_samples/(n_classes*np.bincount(y))”。verbosebool，default=False，启用详细输出。max_iterint，default=-1，解算器内迭代的硬限制，-1代表没限制。decision_function_shape{'ovo','ovr'}，default='ovr'，是否想起他分类器一样返回一个形为 (n_samples,n_classes) 的决策函数或是原始形状的 libsvm 的一对一决策函数。一对一 (ovo) 常用做多类别策略。break_tiesbool，default=False。如果为True，decision_function_shape=‘ovr’，类别数大于2，‘predict’将会根据 decision_function 的信度值 解除绑定。否则在在绑定类别中的第一个类别将被返回。random_stateint，RandomState 实例或 None，default=None。控制用作为了概率评估而打乱数据的伪随机数生成器。类属性.class_weight_形如 (n_classes,) 的数组，每类参数 C 的乘数。.classes_形如 (n_classes,) 的数组，类标签.coef_形如 (n_classes*(n_classes-1)/2,n_features) 的数组，给特征指定的权重，支队线性核的情况有用。.dual_coef_形如 (n_classes-1,n_SV) 的数组，决策函数中支持向量的对偶系数。.fit_status_int，如果正确拟合则为0，否则为1.intercept_形如 (n_classes*(n_classes-1)/2,) 的数组，决策函数里的常量。.n_features_in_拟合时的特征数量。.feature_names_in_形如 (n_features_in_,) 的数组，拟合过程中特征的名称。.support_形如 (n_SV) 的数组，支持向量的切片。.support_vectors_形如 (n_SV,n_features) 的数组，支持向量。.n_support_形如 (n_classes,) 的数组，每类的支持向量的数量。.probA_形如 (n_classes*(n_classes-1)/2) 的数组。.probB_形如 (n_classes*(n_classes-1)/2) 的数组。如果 'probability=True'，它对应于在Platt缩放中学习的参数，以根据决策值生成概率估计。否则为空数组。.shape_fit_形如 (n_dimensions_of_X,) 的整形元组。