>>> from sklearn import svmX = [[0,0], [1,1],[2,2],[3,3]] Y = [0, 1,2,3] clf = SVC( probability=True) clf.fit(X,Y) print(clf.predict([[0,0], [1,1],[2,2],[3,3]])) print(clf.predict_proba([[0,0], [1,1],[2,2],[3,3]]))打印如下： [0 1 2 3] [[ 0.15246393 0.23705461 0.30392427 0.30655719][ 0.2550524 0.16488868 0.25497241 0.3250865 ][ 0.32594085 0.25411181 0.16480942 0.25513792][ 0.30659971 0.30340014 0.23672633 0.15327383]] --------------------- 作者：m0_37870649 來源：CSDN 原文：https://blog.csdn.net/m0_37870649/article/details/81747614 版權聲明：本文為博主原創文章，轉載請附上博文鏈接！

one to one 方案

clf = SVC(decision_function_shape='ovo') clf.fit(X, Y) SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,decision_function_shape='ovo', degree=3, gamma='auto', kernel='rbf',max_iter=-1, probability=False, random_state=None, shrinking=True,tol=0.001, verbose=False)

one to rest

clf.decision_function_shape = "ovr"

SVC方法decision_function給每個樣本中的每個類一個評分，當我們將probability設置為True之后，我們可以通過predict_proba和predict_log_proba可以對類別概率進行評估。

不均衡問題
我們可以通過class_weight和sample_weight兩個關鍵字實現對特定類別或者特定樣本的權重調整

StandardScaler類是一個用來講數據進行歸一化和標準化的類。
所謂歸一化和標準化，即應用下列公式：

使得新的X數據集方差為1，均值為0
fit_transform方法是fit和transform的結合，fit_transform(X_train) 意思是找出X_train的和，并應用在X_train上。
這時對于X_test，我們就可以直接使用transform方法。因為此時StandardScaler已經保存了X_train的

作者：抬頭看月亮
鏈接：https://www.jianshu.com/p/2a635d9e894d
來源：簡書
簡書著作權歸作者所有，任何形式的轉載都請聯系作者獲得授權并注明出處。

總結

以上是生活随笔為你收集整理的sklearn.svm 多分类的全部內容，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。