degree:int型參數 默認為3

這個參數只對多項式核函數有用，是指多項式核函數的階數n

如果給的核函數參數是其他核函數，則會自動忽略該參數。
##############################################
gamma：float參數 默認為auto
這個東西是哪里的呢？
$$e^{(?\gamma ||x_1?x_2|{|}^2)}$$
注意:gamma不能過大，否則會導致過擬合
過小會導致$$||x_1?x_2|{|}^2$$的值都很小，就分不開了（欠擬合）
核函數系數，只對‘rbf’,‘poly’,‘sigmod’有效。
如果gamma為auto，代表其值為樣本特征數的倒數，即1/n_features.
############################################

coef0:float參數 默認為0.0

核函數中的獨立項，只有對‘poly’和‘sigmod’核函數有用，是指其中的參數c
############################################

probability：bool參數 默認為False

是否啟用概率估計。 這必須在調用fit()之前啟用，并且會fit()方法速度變慢。
############################################
shrinking：bool參數 默認為True
是否采用啟發式收縮方式

這個就是加速代碼運行速度，一般不用管這個參數
############################################
tol: float參數 默認為1e^-3
svm停止訓練的誤差精度

這個對泛化能力有影響，可以適當調大，但是不能太大，太大就變成欠擬合了．
############################################
cache_size：float參數 默認為200
指定訓練所需要的內存，以MB為單位，默認為200MB。
這個參數基本上不用管
#####################下面的參數還沒有搞懂#######################
class_weight：字典類型或者‘balance’字符串。默認為None

給每個類別分別設置不同的懲罰參數C，如果沒有給，則會給所有類別都給C=1，即前面參數指出的參數C.

如果給定參數‘balance’，則使用y的值自動調整與輸入數據中的類頻率成反比的權重。

注意概念:C>0時,我們稱為軟間隔SVM,出處為:
https://martin-thoma.com/svm-with-sklearn/

同理,如果C=0,就是硬間隔SVM.

我們通常使用軟間隔SVM多一些.

Quotation:
“An SVM with C>0 is also called a soft-margin SVM.”

注意:
這個參數是需要調整的，一般選擇balance較佳，但是最好是使用ＳＶＣ前讓數據集各個類別保持平衡．

來自sklearn作者的回復：
For how class_weight works: It penalizes mistakes in samples of class[i] with class_weight[i] instead of 1. So higher class-weight means you want to put more emphasis on a class. From what you say it seems class 0 is 19 times more frequent than class 1. So you should increase the class_weight of class 1 relative to class 0, say {0:.1, 1:.9}. If the class_weight doesn’t sum to 1, it will basically change the regularization parameter.
鏈接：
https://stackoverflow.com/questions/30972029/how-does-the-class-weight-parameter-in-scikit-learn-work

Ｃ過大會過擬合，Ｃ太小會欠擬合
如果使用class_weight，那么0<${\alpha }_i$<$C_i$
也就是說$C_i$限定了${\alpha }_i$的取值范圍．
由于ｋｋｔ條件要求${\mu }^{?}{\epsilon }^{?}$＝０（李航書Ｐ111）
Ｃ上升，${\alpha }_i$的取值范圍擴大，${\mu }^{?}$取值范圍擴大，
${\epsilon }^{?}$取值范圍縮小，導致$w^{?}和b^{?}$調整，以便于滿足
$w?x_i+b^{?}$從錯分數值（假定$y_i$>1）小于０向大于０調整．
最終達到把錯誤數據分類正確的效果．
以上解析主要參考李航書Ｐ111頁最下方．

##################上面的參數還沒有搞懂##########################
verbose ：bool參數 默認為False
是否啟用詳細輸出。 此設置利用libsvm中的每個進程運行時設置，如果啟用，可能無法在多線程上下文中正常工作。

不用管的參數
####################################################
max_iter ：int參數 默認為-1

不用管的參數
####################################################
最大迭代次數，如果為-1，表示不限制
random_state：int型參數 默認為None
偽隨機數發生器的種子,在混洗數據時用于概率估計。

不用管的參數
####################################################
★fit()方法：用于訓練SVM，具體參數已經在定義SVC對象的時候給出了，這時候只需要給出數據集X和X對應的標簽y即可。

總結：
對于SVC，需要調整的參數為：

核函數需要調整的參數

RBF	C,gamma,tol,class_weight
poly	C,gamma,tol,degree,coef0，class_weight
sigmoid	C, gamma,tol,coef0，class_weight

好了，問題來了，單個參數我知道怎么調，
上面這些參數放在一起，我咋知道＂一起咋調＂？

首先，為了減少調參的麻煩，在數據進入ＳＶＭ前最好做好數據平衡，這樣你就不需要調整Ｃ和ｃｌａｓｓ＿weight,可以使用的辦法有上采樣和下采樣．
tol是迭代的容忍錯誤，放在最后調整．
對于ＲＢＦ:
ｇａｍｍａ必須放在最先調整．在你的sklearn底層的核矩陣看看輸出．
ｇａｍａ的作用是讓相近的點更近，相遠的點離得更遠．可以根據核矩陣輸出來判斷當前效果如何．
＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃其他＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃
'LinearSVC’是SVC只用linear核的速度上優化的版本
‘LinearSVR’,是SVR只用linear核的速度上優化的版本
＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃
‘NuSVC’：
‘NuSVR’, 限制支持向量的數量，暫時感覺沒啥用,參考鏈接如下：
https://stackoverflow.com/questions/20507809/nusvr-vs-svr-in-scikit-learn
＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃
‘OneClassSVM’, 這個除非數據集非常龐大（已經包含了必要的特征和必要的特征組合），用來識別外來數據是否現有數據集的成分相似，否則對于小數據集而言，應該沒有這個必要．
一言以概之：對比賽沒幫助
可以參考:
https://zhuanlan.zhihu.com/p/32784067
＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃
SVM只考慮分類面上的點，而LR考慮所有點，SVM中，在支持向量之外添加減少任何點都對結果沒有影響，而LR則是每一個點都會影響決策。
Linear SVM不直接依賴于數據分布，分類平面不受一類點影響
LR則是受所有數據點的影響，所以受數據本身分布影響的，如果數據不同類別strongly unbalance，一般需要先對數據做balancing。?

調參實例：
https://blog.csdn.net/appleyuchi/article/details/85052665

總結

以上是生活随笔為你收集整理的SVC调参总结＋调参实例的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。