SVM法

SVM思维导图：线性SVM（做分类、做回归）、多项式SVM（LinearSVC类、SVC类、LinearSVR类、SVR类，类导入与超参数设置与分类一样，但是需要将C参数转化为eplison参数）等等

SVM

• 线性SVM
  • 做分类
    • LinearSVC类
      • 特点：对实例的增加不敏感
      • 代码
        • 导入：from sklearn.svm import LinearSVC
        • 需要注意的超参数：C，代表间隔的大小，越小越大
    • SVC类
      • 特点：支持核技巧，对特征增加不敏感
      • 代码
        • 导入：from sklearn.svm import SVC
        • 需要注意的超参数
          • kernel，做线性回归选用linear
          • C，代表间隔大小，越小越大
    • 都需要设置C参数，代表间隔大小
  • 做回归
    • LinearSVR类
      • 特点：对实例的增加不明显
      • 代码
        • 导入：from sklearn.svm import LinearSVR
        • 需要注意的超参数：$\eplison$，代表允许的大多数误差
    • SVR类，类导入与超参数设置与分类一样，但是需要将C参数转化为eplison参数
    • 都需要设置eplison参数，代表误差大小
• 多项式SVM
  • 做分类
    • LinearSVC类
      • 特点：对实例的增加不敏感
      • 代码
        • 导入
          • 扩张项：from sklearn.preprocessing import PolynomialFeatures
          • 支持向量机：from sklearn.svm import LinearSVC
        • 需要注意的超参数:C,代表间隔大小，越小越大
    • SVC类
      • 特点：支持核技巧，对特征增加不敏感
      • 代码
        • 导入：from sklearn.svm import SVC
        • 需要注意的超参数
          • kernel
            • 设置为"poly"
              • 需要设置degree，代表阶数
              • 需要设置coef0，代表受多项式影响程度
              • 需要设置C，代表间隔大小，越小越大
            • 设置为"rbf"
              • 需要设置gamma，代表正则化程度，值越大边界越弯曲
              • 需要设置C，代表间隔大小，越小越大
    • 都需要设置C参数，代表间隔大小
  • 做回归
    • LinearSVR类
      • 特点：对实例的增加不明显
      • 代码
        • 导入
          • 扩张项：from sklearn.preprocessing import PolynoimalFeatures
          • 支持向量机：from sklearn.svm import LinearSVC
        • 需要注意的超参数：eplison，代表允许有多大的超参数
    • SVR类，类导入与超参数设置与分类一样，但是需要将C参数转化为eplison参数
    • 都需要设置eplison参数，代表误差大小