利用sklearn 实现SVM分类

scv  函数
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)


该函数的时间复杂度超过了O（N^2）对于较大的数据集（10000样本以上）不建议使用
多分类方法是基于1VS1的SVM结构


参数说明：


C：浮点数 默认为1.0 错误项的惩罚参数C


kernel：核函数 默认为rbf型，其他可选的有linear，poly，sigmoid，precomputed，以及可调用自定义形式callable。如果给出了一个可调用函数，则用于从数据矩阵预先计算核心矩阵; 该矩阵应该是一个数组其形式为（n_samples，n_samples）。


degree：整数形，默认为3。用于多项式核函数的度数（'poly'）。 被所有其他内核忽略。


gamma：浮点，可选默认为’auto’。该参数是'rbf'，'poly'和'sigmoid'的内核系数。 如果gamma是'auto'，那么将会使用1 / n_features。


Coef0: 浮点型，默认为0.0. 核函数的独立特征，仅仅在’poly’和‘sigmoid’核函数中有意义


probability：布尔型，可选，默认为False。是否启用概率估计，必须在调用fit之前启用，启用后会降低算法效率


shrinking：布尔型，可选默认为True。是否使用缩减启发式。


Tot :  浮点型 默认为3.0。停止标准的公差


cache_size：浮点型，可选。指定内核缓存的大小（以MB为单位）。


Class_weight：{‘dict’,’balanced’ }, 可选。
将类i的参数C设置为SVC的class_weight[I]*C。如果没有给出，所有类的weight 为1.‘balanced’模式使用y 值自动调整权重，调整方式是与输入数据中类频率成反比。如n_samples / (n_classes * np.bincount(y))


verbose： 布尔型，默认为False。启用详细输出。 请注意，此设置利用libsvm中的每个进程运行时设置，如果启用，可能无法在多线程环境中正常工作。
 
Max—iter：整型，可选默认-1。求解器中迭代的极限，或无限制的-1。


decision—function—shape：‘ovo’，’ovr’或者默认 none。是否将一对多’ovr’的决策函数其形式为(n_samples, n_classes)，返回为其他的分类器。或者返回原始的一对一’ovo’决策函数其形式为,（n_samples, n_classes * (n_classes - 1) / 2)。默认值“None”目前表现为“ovo”，用于向后兼容，并引发弃用警告，但会将更改为“ovr”在0.19版本。


random_state：int 种子，随机状态实例或无（默认）
伪随机数发生器的种子在混洗数据时用于概率估计。


方法
decision_function（X）样本X与分离超平面的距离。
fit（X，y [，sample_weight]）根据给定的训练数据拟合SVM模型。
get_params（[deep]）获取此估计器的参数。
Predict（X）对X中的样本进行分类
score（X，y [，sample_weight]）返回给定测试数据和标签的平均精度。
set_params（\ * \ * params）设置此估计器的参数。


decision_function（X）[source]
样品X与分离超平面的距离。
参数：
X：数组式，形式（n_samples，n_features）
返回值：
X：array-like，shape（n_samples，n_classes *（n_classes-1）/ 2）
返回模型中每个类的样本的决策函数。 如果decision_function_shape ='ovr'，则形式为（n_samples，n_classes）


fit（X，y，sample_weight = None）[来源]
根据给定的训练数据拟合SVM模型。
参数：
X：{array-like，sparse matrix}，shape（n_samples，n_features）
训练向量，其中n_samples是样本数，n_feature是特征数。 对于kernel =“预计算”，X的预期形状为（n_samples，n_samples）。
y：array-like，shape（n_samples，）
目标值（分类中的类标签，回归中的实数）
sample_weight：array-like，shape（n_samples，）
每样品权重 每个样品重新调整C。 较高的权重会使分类器更加强调这些要点。
返回值：
self：对象
返回自我。
如果X和Y不是C顺序的，并且np.float64和X的连续数组不是scipy.sparse.csr_matrix，则可以复制X和/或y。
如果X是密集数组，则其他方法将不支持稀疏矩阵作为输入。


get_params(deep=True)
获得估计器的参数.
如果为True，将返回此估计器的参数，并包含作为估计量的子对象。


predict(X)[source]
对X中的样本进行分类。
对于一个类的模型，返回+1或-1。
参数：
X：{array-like，sparse matrix}，shape（n_samples，n_features）
对于kernel =“precomputed”，X的预期形式为[n_samples_test，n_samples_train]
返回：
y_pred：array，shape（n_samples，）
X中样本的类标签


score(X, y, sample_weight=None)[source]
返回给定测试数据和标签的平均精度。
在多标签分类中，这是一个苛刻度量的子集精度。
参数：
X：array-like，shape =（n_samples，n_features）
测试样品。
y：array-like，shape =（n_samples）或（n_samples，n_outputs）
X的真标签
sample_weight：array-like，shape = [n_samples]，可选
样品权重
返回：
分数：浮点
self.predict(X) wrt. y.的平均精度