为啥 SVC 在输出中重复它的参数

Posted 2023-03-12

【中文标题】为啥 SVC 在输出中重复它的参数

【英文标题】：Why SVC repeates it parameter in the output为什么 SVC 在输出中重复它的参数

【发布时间】：2018-11-26 14:08:31

【问题描述】：

我的目标是使用支持向量机对从 CNN 提取的特征进行分类。

提取的特征有一个形状(2186, 128)，是一个保存在X_tr中的np数组。

Y 的形状为 (2186,) 一个数组([0, 0, 0, ..., 0, 0, 0])

将这些应用到 SVC。

输入：

from sklearn.svm import SVC
clf = SVC()
clf.fit(X_train, y)
SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,
    decision_function_shape='ovr', degree=3, gamma='auto', kernel='rbf',
    max_iter=-1, probability=False, random_state=None, shrinking=True,
    tol=0.001, verbose=False)

输出：

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

为什么将参数作为输出而不是分类？

【问题讨论】：

调用 fit() 训练估计器，然后返回训练好的 SVC。您需要使用这个经过训练的 SVC 来预测新数据，而您在任何地方都没有这样做。

谢谢，这是否意味着我的 SVC 已经过训练，我可以用它来预测测试数据？

是的，你是对的。

【参考方案1】：

您希望看到什么？您已经在训练数据上训练了分类器，现在您需要在测试数据上评估分类器。在 scikit-learn 中，您可以使用以下方法训练分类器：

clf.fit(X_train, y_train)

然后您使用经过训练的分类器进行预测：

predictions = clf.predict(X_test)

【讨论】：

谢谢，我很困惑我的 SVC 是否经过培训。我得到的输出意味着模型已经过训练。现在我可以使用这个经过训练的模型来预测数据。

【参考方案2】：

from sklearn.svm import SVC
clf = SVC()
clf.fit(X_train, y)
SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,
    decision_function_shape='ovr', degree=3, gamma='auto', kernel='rbf',
    max_iter=-1, probability=False, random_state=None, shrinking=True,
    tol=0.001, verbose=False)

不会给出任何输出。 如果要测试分类和预测，请使用

from sklearn.svm import SVC
clf = SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,
            decision_function_shape='ovr', degree=3, gamma='auto', kernel='rbf',
                max_iter=-1, probability=False, random_state=None, shrinking=True,
                    tol=0.001, verbose=False)
clf.fit(X_train, y)
pred = clf.predict(X_test)
print pred

---

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

在 SVC C 中，cache_size、class_weight 等是 SVC 采用的参数。您可以使用这些参数进行调整，就像您想将“线性”或“rbf”内核与“C:1000”一起使用。 更多信息请查看：http://scikit-learn.org/stable/modules/svm.html