sklearn.svm.SVC¶

class sklearn.svm.SVC(*, C=1.0, kernel='rbf', degree=3, gamma='scale', coef0=0.0, shrinking=True, probability=False, tol=0.001, cache_size=200, class_weight=None, verbose=False, max_iter=-1, decision_function_shape='ovr', break_ties=False, random_state=None)

源码

C支持向量分类。

该实现基于libsvm。拟合时间至少与样本数量成二次关系，如果样本数量超过数万个，拟合时间可能不现实。对于大数据集，可以考虑在使用了 sklearn.kernel_approximation.Nystroem 后，用 sklearn.svm.LinearSVC 或sklearn.linear_model.SGDClassifier 替代。

多类支持是根据one vs-one方案处理的。

关于提供的核函数的精确数学公式以及gamma、coef0和degree如何相互影响的详细信息，请参阅叙述文档中的相应章节: Kernel functions。

更多信息请参阅使用指南.

参数	说明
C	浮点数，默认= 1.0 正则化参数。正则化的强度与C成反比。必须严格为正。此惩罚系数是l2惩罚系数的平方
kernel	{‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’}, 默认=’rbf’ 指定算法中使用的内核类型。它必须是“linear”，“poly”，“rbf”，“sigmoid”，“precomputed”或者“callable”中的一个。如果没有给出，将默认使用“rbf”。如果给定了一个可调用函数，则用它来预先计算核矩阵。该矩阵应为形状数组`（n_samples，n_samples）`
degree	整数型，默认=3 多项式核函数的次数(' poly ')。将会被其他内核忽略。
gamma	浮点数或者{‘scale’, ‘auto’} , 默认=’scale’ 核系数包含‘rbf’, ‘poly’ 和‘sigmoid’ 如果gamma='scale'(默认)，则它使用1 / (n_features * X.var())作为gamma的值，如果是auto，则使用1 / n_features。在0.22版本有改动：默认的gamma从“auto”改为“scale”。
coef0	浮点数，默认=0.0 核函数中的独立项。它只在' poly '和' sigmoid '中有意义。
shrinking	布尔值，默认=True 是否使用缩小启发式，参见使用指南
probability	布尔值，默认=False 是否启用概率估计。必须在调用fit之前启用此参数，因为该方法内部使用5折交叉验证，因此会减慢该方法的速度，并且predict_proba可能与dict不一致。更多信息请阅读使用指南
tol	浮点数，默认=1e-3 残差收敛条件。
cache_size	浮点数，默认=200 指定内核缓存的大小（以MB为单位）。
class_weight	{dict, ‘balanced’}, 默认=None 在SVC中，将类i的参数C设置为class_weight [i] * C。如果没有给出值，则所有类都将设置为单位权重。“balanced”模式使用y的值自动将权重与类频率成反比地调整为`n_samples / (n_classes * np.bincount(y))`
verbose	布尔值，默认=False 是否启用详细输出。请注意，此参数针对liblinear中运行每个进程时设置，如果启用，则可能无法在多线程上下文中正常工作。
max_iter	整数型，默认=-1 对求解器内的迭代进行硬性限制，或者为-1（无限制时）。
decision_function_shape	{‘ovo’, ‘ovr’}, 默认=’ovr’ 是否要将返回形状为(n_samples, n_classes)的one-vs-rest (‘ovr’)决策函数应用于其他所有分类器，而在多类别划分中始终使用one-vs-one (‘ovo’)，对于二进制分类，将忽略该参数。在版本0.19中进行了更改：默认情况下Decision_function_shape为ovr。 0.17版中的新功能：推荐使用Decision_function_shape ='ovr'。在0.17版中进行了更改：不建议使用Decision_function_shape ='ovo'和None。
break_ties	bool, default=False 如果为true，decision_function_shape ='ovr'，并且类数> 2，则预测将根据Decision_function的置信度值打破平局；否则，返回绑定类中的第一类。请注意，与简单的预测相比，打破平局的计算成本较高。这是0.22版中的新功能。
random_state	整数型或RandomState的实例，默认=None 控制用于数据抽取时的伪随机数生成。当`probability`为False时将忽略该参数。在多个函数调用之间传递可重复输出的整数值。请参阅词汇表。

属性	说明
support_	形如(n_SV,)的数组支持向量的指标。
support_vectors_	形如(n_SV, n_features)的数组支持向量
n_support_	形如(n_class)的数组，dtype=int32 每个类别的支持向量数量。
dual_coef_	形如(n_class-1, n_SV)的数组决策函数中支持向量的对偶系数（请参见数学公式）。对于多类别，为所有1-vs-1分类器的系数。在多类情况下，系数的布局有些微不足道。有关详细信息，请参见multi-class section of the User Guide。
coef_	*形如(n_class (n_class-1) / 2, n_features)的数组** 分配给特征的权重（原始问题的系数），仅在线性内核的情况下可用。`coef_`是一个继承自`raw_coef_`的只读属性，它遵循liblinear的内部存储器布局。
intercept_	*形如(n_class (n_class-1) / 2,)的数组** 决策函数中的常量。
fit_status_	整数型如果拟合无误，则为0；如果算法未收敛，则为1。
classes_	形如(n_classes,)的数组不重复类别标签
probA_	*形如(n_class (n_class-1) / 2,)的数组**
probB_	*形如(n_class (n_class-1) / 2,)的数组** 如果`probability=True`，则它对应于在普拉特缩放中学习的参数，以根据决策值产生概率估计。如果`probability=False`，则为空数组。普拉特定标使用逻辑函数`1 /（1 + exp（decision_value * probA_ + probB_））`，其中从数据集[2]了解`probA_`和`probB_`。有关多类案件和培训程序的更多信息，请参见[1]的第8节。
class_weight_	形如(n_class,)的数组每个类的参数C的乘数。根据`class_weight`参数进行计算。
shape_fit_	形如(n_dimensions_of_X,)的整数型元祖训练向量`X`的数组维度

另见：

SVR

支持向量机使用libsvm实现。

LinearSVC

可扩展线性支持向量机使用liblinear进行分类。

参考文献：

[1] LIBSVM: A Library for Support Vector Machines

[2] Platt, John (1999). “Probabilistic outputs for support vector machines and comparison to regularizedlikelihood methods.”

示例：

>>> import numpy as np
>>> from sklearn.pipeline import make_pipeline
>>> from sklearn.preprocessing import StandardScaler
>>> X = np.array([[-1, -1], [-2, -1], [1, 1], [2, 1]])
>>> y = np.array([1, 1, 2, 2])
>>> from sklearn.svm import SVC
>>> clf = make_pipeline(StandardScaler(), SVC(gamma='auto'))
>>> clf.fit(X, y)
Pipeline(steps=[('standardscaler', StandardScaler()),
                ('svc', SVC(gamma='auto'))])

>>> print(clf.predict([[-0.8, -1]]))
[1]

方法：

`decision_function`(X)	计算X中样本的决策函数。
`fit`(X, y[, sample_weight])	根据给定的训练数据拟合支持向量机模型。
`get_params`([deep])	获取这个估计器的参数。
`predict`(X)	在X中对样本进行分类
`score`(X, y[, sample_weight])	返回给定测试数据和标签的平均精度。
`set_params`(**params)	设置这个估计器的参数。

__init__(*, C=1.0, kernel='rbf', degree=3, gamma='scale', coef0=0.0, shrinking=True, probability=False, tol=0.001, cache_size=200, class_weight=None, verbose=False, max_iter=-1, decision_function_shape='ovr', break_ties=False, random_state=None)

源码

初始化self。请参阅help(type(self)获取准确的说明。

计算X中样本的决策函数。

参数	说明
X	形如(n_samples, n_features)的数组

返回值	说明
X	*形如 (n_samples, n_classes (n_classes-1) / 2)的数组** 返回模型中每个类的样本决策函数。如果decision_function_shape =“ ovr”，则形状为（n_samples，n_classes）。

注：

若decision_function_shape= ' ovo '，则函数值与样本X到分离超平面的距离成正比。如果需要精确的距离，用函数值除以权值向量的范数(coef_)。更多细节请参见这个问题。若decision_function_shape= ' ovr '，则该决策函数是ovo决策函数的单调变换。

fit(X, y, sample_weight=None)

源码

根据给定的训练数据拟合支持向量机模型。

参数	说明
X	形如(n_samples, n_features) 或者 (n_samples, n_samples)的数组或者稀疏矩阵训练向量，其中n_samples为样本数量，n_features为特征数量。对于kernel= " precomputed "， X的期望形状为(n_samples, n_samples)。
y	形如(n_samples,)的数组目标值（分类中的类标签，回归中的实数）
sample_weight	形如(n_samples,)的数组，默认=None 样本的权重。每个样品重新定标C。较高的权重将使分类器更加注重这些样本点。

返回值	说明
self	object

注：

如果X和y不是C-ordered，并且np.float64和X的连续数组不是scipy.sparse.csr_matrix，则可以复制X或y。

如果X是一个连续数组，则其他方法将不支持将稀疏矩阵作为输入。

get_params(deep=True)

参数	说明
deep	bool, default = True 如果为真，则将返回此估计量和作为估计量的所包含子对象的参数

返回值	说明
params	mapping of string to any 参数名被映射至他们的值

predict(X)

源码

对X中的样本执行分类。

对于返回值为+1或-1的one-class模型

参数	说明
X	形如(n_samples, n_features) 或者 (n_samples_test, n_samples_train)的数组或者稀疏矩阵对于内核=“precomputed”，X的预期形状为（n_samples_test，n_samples_train）。

返回值	说明
y_pred	形如(n_sample, )的数组 X中样本的类别标签。

property predict_log_proba

计算X中样本的可能结果的对数概率。

该模型需要在训练时计算概率信息：将属性概率设置为True。

参数	说明
X	形如(n_samples, n_features) 或者 (n_samples_test, n_samples_train)的数组或者稀疏矩阵对于内核=“precomputed”，X的预期形状为（n_samples_test，n_samples_train）。

返回值	说明
T	形如(n_sample, n_classes)的数组返回模型中每个类的样本的对数概率。列与出现在属性classes_中的类别按顺序对应。

注：

概率模型是通过交叉验证建立的，因此其结果可能与通过预测得到的结果略有不同。而且，它会在非常小的数据集上产生无意义的结果。

property predict_proba

计算X中样本可能出现结果的概率。

模型需要在训练时计算出概率信息:将属性概率设置为True。

参数	说明
X	形如(n_samples, n_features)的数组对于内核=“precomputed”，X的预期形状为（n_samples_test，n_samples_train）。

返回值	说明
T	形如(n_sample, n_classes)的数组返回模型中每个类的样本的概率。列与出现在属性classes_中的类别按顺序对应。

注：

概率模型是通过交叉验证建立的，因此其结果可能与通过预测得到的结果略有不同。而且，它会在非常小的数据集上产生无意义的结果。

score(X, y, sample_weight=None)

源码

返回给定测试数据和标签上的平均准确度。

在多标签分类中，这是子集精度，这是一个苛刻的指标，因为你需要对每个样本正确预测每个标签集。

参数	说明
X	形如 (n_samples, nfeatures)的数组测试样本
y	形如 (n_sample, ) 或者 (n_samples, n_outputs)的数组 X中结果为真的标签
sample_weight	形如(n_samples,)的数组，默认=None 样本的权重