Scikit Learn - 支持向量机

---

本章讨论称为支持向量机（SVM）的机器学习方法。

介绍

支持向量机 (SVM) 是强大而灵活的监督机器学习方法，用于分类、回归和异常值检测。SVM 在高维空间中非常有效，通常用于分类问题。SVM 很受欢迎并且内存效率很高，因为它们在决策函数中使用训练点的子集。

SVM 的主要目标是将数据集分为多个类，以便找到最大边缘超平面（MMH），这可以通过以下两个步骤完成 -

• 支持向量机将首先迭代生成超平面，以最佳方式分隔类别。

• 之后它将选择正确分隔类别的超平面。

SVM 中的一些重要概念如下：

• 支持向量- 它们可以定义为最接近超平面的数据点。支持向量有助于确定分隔线。

• 超平面- 划分具有不同类别的对象集的决策平面或空间。

• 边距- 不同类的最接近数据点上的两条线之间的间隙称为边距。

下图将让您深入了解这些 SVM 概念 -

Scikit-learn 中的 SVM 支持稀疏和密集样本向量作为输入。

支持向量机的分类

Scikit-learn 提供了三个类，即SVC、NuSVC和LinearSVC，可以进行多类分类。

SVC

它是C语言支持向量分类，其实现基于libsvm。scikit-learn 使用的模块是sklearn.svm.SVC。该类根据一对一方案处理多类支持。

参数

下表包含sklearn.svm.SVC类使用的参数-