- SVR为Support Vector Regression的简写，顾名思义，其是基于支持向量的回归器
- 模型中的 两个自由参数为
C和epsilon，自由参数不能通过理论推测，可以通过实验、科研猜测和随机指定来设置， 即自由参数的调节是个玄学，没有理论指导 - SVR是基于libsvm实现的
- SVR的拟合时间是和样本数量呈二次方指数关系，因此这一分类模型 *适用于样本较小的情况，如果样本量过大（>1W），建议使用其他回归模型，例如
LinearSVR或者SGDRegressor
3.1 API形式
- 形式如下，里面的参数均为默认参数
SVR(*, kernel='rbf', degree=3, gamma='scale', coef0=0.0, tol=0.001, C=1.0, epsilon=0.1, shrinking=True,
cache_size=200, verbose=False, max_iter=- 1)
3.2 参数说明
参数名称数据作用
核函数1. string类型
-
{‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’}
-
默认值为’rbf’
用来选择映射到高维线性可分的核函数
简单、运算效率高；缺点： 对线性不可分的数据集没有很好的效果
可以拟合出复杂的分割超平面；缺点： 有三个参数，调参困难，且当n过大时，模型拟合时间会很长 ；
通常定义为样本到数据中心之间径向距离（通常是欧氏距离）的单调函数（由于距离是径向同性的）；
也称为
不用再次拟合核函数对应的Gram 矩阵，直接进行映射就可以了
多项式核函数的维度1. int类型，默认值为3
只有在使用多项式核函数的时候才有用，使用其他核函数自动忽略此参数
用来确定多项式核函数的维度，即n的值
‘rbf’, ‘poly’ 和’sigmoid’ 核函数的系数1. string类型，默认值为’scale’
- {‘auto’, ‘scale’}
gamma = 1 / n_features
gamma = 1 / (n_features * X.var())
只作用于 rbf， poly，sigmoid 三个核函数
常数项1. float类型，默认值为0
只作用于poly 和 sigmoid 核函数
作用相当于是对核函数映射的结果进行一个移位操作
停止拟合容忍度1. float类型，默认值为1e-3 即为0.001
定义模型停止拟合的误差值
正则化系数1. float类型，默认值为1.01. 正则化的强度与C的大小成反比，且必须为正。
-
主要是用来防止模型过拟合
-
C值越大，对模型的惩罚越高，泛化能力越弱（过拟合）
-
反之，C值越小，对模型的惩罚越低，泛化能力越强（欠拟合）
希腊字母
- float类型，默认值：0.11. 用来定义模型对于错误分类的容忍度，即错误分类而不受到惩罚
2.
的值越大，模型允许错误分类的容忍度越高，反之，容忍度越小
- 支持向量的个数对
的大小敏感，
- 也可以理解为
启用启发式收缩1. bool类型，默认为True1. 是否采用启发式收缩，
，然而如果我们对停止迭代容忍度较高时（tol参数来反映），不用启发式收缩可能会更快一些
核缓存大小1. float类型，默认值为200（MB）1. 指定模型在训练时，能占用的最大RAM空间（PS. 经过实验，当大小设置超过2000MB时，训练时长反而会增加，这应该是一个BUG），在2000MB以内，不超过其所需最大内存，则不会降低训练速度，也不会增加。
- 所以训练多采用的数据集维度越高，条数越高，当所需内存超出了，我们可以通过调整cache_size 的大小来加快模型拟合
启用详细输出1. bool类型，默认值：False1. 该参数表示日志是否启用详细输出，会输出iter次数，nSV等参数的值
- 如果启用，可能会导致无法进行多线程工作，降低拟合速率
最大迭代次数1. int类型，默认值: -11. 硬性设置最大迭代次数，不管模型是否拟合完成，即不关心误差值(tol参数)
- 设置-1的话，意味着不限制迭代次数，即按照误差值来停止模型拟合
3.3 属性说明
属性名称数据作用
各类权重1. ndarray，一维数组，(n_classes, )1. 用来获取模型对各个类别设置的权重，与参数中的class_weight相关
特征权重向量1. ndarray，二维数组，(n_classes * (n_classes – 1) / 2, n_features)1. 获取特征权重向量
- 当核函数为linear时，才可以调用这一属性
对偶系数1. ndarray，二维数组，(n_classes -1, n_SV)1. decision_funciton 中的支持向量的对偶系数
-
n_SV 为支持向量的个数
-
所有 ovo 分类器的系数
拟合状态1. int类型1. 拟合成功0， 否则为1，进行告警
决策函数常量1. ndarray，一维数组， (n_classes * (n_classes – 1) / 2, )1. decision_funciton 中的常量
特征数量1. int类型1. 拟合过程中使用到的特征数量
特征名称1. ndarray，一维数组，(n_features_in_,)1. 获取拟合时特征的名称
每类的支持向量数1. ndarray，一维数组 ，(n_classes,), dtype=int321. 获取每种类别的支持向量数
数组维数1.元组，(n_dimensions_of_X,)1.训练向量X的数组维数
支持向量索引1. ndarray，一维数组， (n_SV，)1. 获取模型拟合后获得的所有支持向量的索引
支持向量1. ndarray，二维数组，(n_SV, n_features)1. 获取所有的支持向量
4.1 fit(X, y, sample_weight=None)
1. 描述： 用训练数据拟合模型
2. 参数： X: 训练数据; y: 训练数据标签； sample_weight: 每个样本的权重，(n_samples,)
3. 返回值： 自身，拟合好的模型
4. 注意： 无
4.2 get_params(deep=True)
1. 描述： 获取模型的所有参数
2. 参数： 如果为真，则将返回此模型和作为模型的所包含子对象的参数
3. 返回值： 字典类型， 所有的参数
4. 注意： 无
4.3 predict(X)
1. 描述： 用拟合好的模型对所有样本X进行预测
2. 参数： 所有预测样本，二维数组（n_samples, n_features)
3. 返回值： 所有预测 X的预测标签，一维数组，(n_sample, )
4. 注意： 无
4.4 score(X, y, sample_weight=None)
1. 描述： 返回给定测试数据上的平均准确度
2. 参数： X: 训练数据; y: 训练数据标签； sample_weight: 每个样本的权重，(n_samples,)
3. 返回值： R 2 R^2 R 2
4. 注意： R 2 R^2 R 2 被定义为 1 − u / v 1-u/v 1 −u /v, u u u 是 ∑ i = 1 n ( y − y ^ ) 2 \sum_{i=1}^n(y – \hat{y})^2 ∑i =1 n (y −y ^)2 的残差和， v v v 是 ∑ i = 1 n ( y − y . m e a n ( ) ) 2 \sum_{i=1}^n{(y-y.mean())^2}∑i =1 n (y −y .m e a n ())2的平方和，R 2 R^2 R 2 的值越大证明模型性能越好，最大为1，其值也可以为负，意味着模型性能更差，且无最小值
4.5 set_params(**params)
1. 描述： 重置当前模型的参数
2. 参数： 字典类型，内容为当前模型的参数
3. 返回值： 重置参数后的模型
4. 注意： 无
在写这篇文章的过程中发现了前一篇文章的一些错误，已经回头修改了。在查阅文献的过程中，明白了SVM为什么能做回归任务了， 因为其本质上仍是把回归任务当做分类任务来处理，只不过在模型评价的过程中，用了不一样的评价指标，这里是R 2 R^2 R 2 。
有时间再继续更新~
希望这篇文档能对各位看官产生一定的帮助， 如有不妥，欢迎评论区指正~
Original: https://blog.csdn.net/weixin_42279212/article/details/121550052
Author: 拾夕er
Title: 【Sklearn】【API详解】【SVM】- sklearn.svm.SVR参数详解（二）
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/627299/
转载文章受原作者版权保护。转载请注明原作者出处！