利用sklearn 實現SVM分類

scv  函數
class 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=None, random_state=None)


該函數的時間複雜度超過了O（N^2）對於較大的數據集（10000樣本以上）不建議使用
多分類方法是基於1VS1的SVM結構


參數說明：


C：浮點數 默認爲1.0 錯誤項的懲罰參數C


kernel：核函數 默認爲rbf型，其他可選的有linear，poly，sigmoid，precomputed，以及可調用自定義形式callable。如果給出了一個可調用函數，則用於從數據矩陣預先計算核心矩陣; 該矩陣應該是一個數組其形式爲（n_samples，n_samples）。


degree：整數形，默認爲3。用於多項式核函數的度數（'poly'）。 被所有其他內核忽略。


gamma：浮點，可選默認爲’auto’。該參數是'rbf'，'poly'和'sigmoid'的內核係數。 如果gamma是'auto'，那麼將會使用1 / n_features。


Coef0: 浮點型，默認爲0.0. 核函數的獨立特徵，僅僅在’poly’和‘sigmoid’核函數中有意義


probability：布爾型，可選，默認爲False。是否啓用概率估計，必須在調用fit之前啓用，啓用後會降低算法效率


shrinking：布爾型，可選默認爲True。是否使用縮減啓發式。


Tot :  浮點型 默認爲3.0。停止標準的公差


cache_size：浮點型，可選。指定內核緩存的大小（以MB爲單位）。


Class_weight：{‘dict’,’balanced’ }, 可選。
將類i的參數C設置爲SVC的class_weight[I]*C。如果沒有給出，所有類的weight 爲1.‘balanced’模式使用y 值自動調整權重，調整方式是與輸入數據中類頻率成反比。如n_samples / (n_classes * np.bincount(y))


verbose： 布爾型，默認爲False。啓用詳細輸出。 請注意，此設置利用libsvm中的每個進程運行時設置，如果啓用，可能無法在多線程環境中正常工作。
 
Max—iter：整型，可選默認-1。求解器中迭代的極限，或無限制的-1。


decision—function—shape：‘ovo’，’ovr’或者默認 none。是否將一對多’ovr’的決策函數其形式爲(n_samples, n_classes)，返回爲其他的分類器。或者返回原始的一對一’ovo’決策函數其形式爲,（n_samples, n_classes * (n_classes - 1) / 2)。默認值“None”目前表現爲“ovo”，用於向後兼容，並引發棄用警告，但會將更改爲“ovr”在0.19版本。


random_state：int 種子，隨機狀態實例或無（默認）
僞隨機數發生器的種子在混洗數據時用於概率估計。


方法
decision_function（X）樣本X與分離超平面的距離。
fit（X，y [，sample_weight]）根據給定的訓練數據擬合SVM模型。
get_params（[deep]）獲取此估計器的參數。
Predict（X）對X中的樣本進行分類
score（X，y [，sample_weight]）返回給定測試數據和標籤的平均精度。
set_params（\ * \ * params）設置此估計器的參數。


decision_function（X）[source]
樣品X與分離超平面的距離。
參數：
X：數組式，形式（n_samples，n_features）
返回值：
X：array-like，shape（n_samples，n_classes *（n_classes-1）/ 2）
返回模型中每個類的樣本的決策函數。 如果decision_function_shape ='ovr'，則形式爲（n_samples，n_classes）


fit（X，y，sample_weight = None）[來源]
根據給定的訓練數據擬合SVM模型。
參數：
X：{array-like，sparse matrix}，shape（n_samples，n_features）
訓練向量，其中n_samples是樣本數，n_feature是特徵數。 對於kernel =“預計算”，X的預期形狀爲（n_samples，n_samples）。
y：array-like，shape（n_samples，）
目標值（分類中的類標籤，迴歸中的實數）
sample_weight：array-like，shape（n_samples，）
每樣品權重 每個樣品重新調整C。 較高的權重會使分類器更加強調這些要點。
返回值：
self：對象
返回自我。
如果X和Y不是C順序的，並且np.float64和X的連續數組不是scipy.sparse.csr_matrix，則可以複製X和/或y。
如果X是密集數組，則其他方法將不支持稀疏矩陣作爲輸入。


get_params(deep=True)
獲得估計器的參數.
如果爲True，將返回此估計器的參數，幷包含作爲估計量的子對象。


predict(X)[source]
對X中的樣本進行分類。
對於一個類的模型，返回+1或-1。
參數：
X：{array-like，sparse matrix}，shape（n_samples，n_features）
對於kernel =“precomputed”，X的預期形式爲[n_samples_test，n_samples_train]
返回：
y_pred：array，shape（n_samples，）
X中樣本的類標籤


score(X, y, sample_weight=None)[source]
返回給定測試數據和標籤的平均精度。
在多標籤分類中，這是一個苛刻度量的子集精度。
參數：
X：array-like，shape =（n_samples，n_features）
測試樣品。
y：array-like，shape =（n_samples）或（n_samples，n_outputs）
X的真標籤
sample_weight：array-like，shape = [n_samples]，可選
樣品權重
返回：
分數：浮點
self.predict(X) wrt. y.的平均精度