SVC函数介绍

前言

SVC（Support Vector Classification）是支持向量机（SVM）的一种实现，主要用于分类问题。支持向量机是一种监督学习算法，其基本原理是找到一个最优的超平面来将不同类别的数据分开。SVC在小样本和高维空间中表现良好，且能够处理非线性分类问题。

函数介绍

SVC(C=1.0, kernel=‘rbf’, degree=3, gamma=‘auto’, coef0=0.0, tol=0.001,
 class_weight=None, verbose=False, max_iter=-1, random_state=None)

参数介绍：

1. C：用于指定目标函数中松弛因子的惩罚系数值，默认为1
2. kernel：用于指定SVM模型的核函数，该参数如果为’linear’，就表示线性核函数；如果为’poly’，就表示多项式核函数，核函数中的r和p值分别使用degree参数和gamma参数指定；如果为’rbf’，表示径向基核函数，核函数中的r参数值仍然通过gamma参数指定；如果为’sigmoid’，表示Sigmoid核函数，核函数中的r参数值需要通过gamma参数指定；如果为’precomputed’，表示计算一个核矩阵
3. degree：用于指定多项式核函数中的p参数值
4. gamma：用于指定多项式核函数或径向基核函数或Sigmoid核函数中的r参数值
5. coef0：用于指定多项式核函数或Sigmoid核函数中的r参数值
6. tol：用于指定SVM模型迭代的收敛条件，默认为0.001
7. class_weight：用于指定因变量类别的权重，如果为字典，则通过字典的形式{class_label:weight}传递每个类别的权重；如果为字符串’balanced’，则每个分类的权重与实际样本中的比例成反比，当各分类存在严重不平衡时，设置为’balanced’会比较好；如果为None，则表示每个分类的权重相等
8. max_iter：指定模型求解过程中的最大迭代次数，默认为-1，表示不限制迭代次数

示例

from sklearn.svm import SVC
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report

# 创建一个示例数据集
X, y = make_classification(n_samples=1000, n_features=20, random_state=42)

# 分割数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建并训练 LinearSVC 模型
model = SVC(kernel='rbf', C=1.0, gamma='scale')
model.fit(X_train, y_train)

# 预测和评估
y_pred = model.predict(X_test)
report = classification_report(y_test, y_pred)

print(report)

结果如下：

              precision    recall  f1-score   support

           0       0.80      0.89      0.84        93
           1       0.90      0.80      0.85       107

    accuracy                           0.84       200
   macro avg       0.85      0.85      0.84       200
weighted avg       0.85      0.84      0.85       200