当前位置：网站首页>Chapter 9 SVM实践

Chapter 9 SVM实践

2022-07-31 02:42:00 【桑之未落0208】

1 SVM包的使用

从sklearn导入svm包

2 SVM的调参

c增大——泛化能力降低——精度提高——过渡带变窄

kernel——核函数，默认是rbf，可以是linear

gamma： rbf，poly 和sigmoid的核函数参数。默认是auto，则会选择1/n_features

ovo:one vs one ——>四个类别出现六个分类器

ovr（默认）:one vs rest——>四个类别出现四个分类器

3 不平衡数据的处理

改变权重大小

然后通过图形来判断最合适的分类器

4 分类器指标

AUC（混淆矩阵）：

$TPR=\frac{TP}{TP+FN}$

$FPR=\frac{FP}{FP+TN}$

指标：

准确率 $accuracy=\frac{TP+TN}{TP+TN+FN+FP}$

精确率 $precision=\frac{TP}{TP+FP}$

召回率 $recall = \frac{TP}{TP+FN}$

精确率和召回率的调和平均值 $F_{1}=\frac{2\cdot precision\cdot recall}{precision+recall}=\frac{2}{\frac{1}{precision}+\frac{1}{recall}}$

$F_{\beta }=\frac{(1+\beta ^{2})\cdot precision\cdot recall}{\beta ^{2}\cdot precision+recall}$ ，β小则重视precision，反之重视recall。

5 SVM用于手写体数字分类

训练数据存取

测试数据存取

求得训练数据、测试数据的准确率，从而判断分类器的好坏以及过拟合情况。

6 支持向量回归：SVR

kernel：核函数，默认是rbf，还可以是linear、poly、sigmoid等等。

degree：int，默认3。多项式核函数的次数

gamma： rbf，poly 和sigmoid的核函数参数。默认是auto，则会选择1/n_features。

C：float，默认1.0，惩罚参数。

版权声明
本文为[桑之未落0208]所创，转载请带上原文链接，感谢
https://blog.csdn.net/qwertyuiop0208/article/details/126067968

边栏推荐

猜你喜欢

随机推荐