支持向量分类器 (SVC)#

class sklearn.svm.SVC(*, C=1.0, kernel='rbf', degree=3, gamma='scale', coef0=0.0, shrinking=True, probability=False, tol=0.001, cache_size=200, class_weight=None, verbose=False, max_iter=-1, decision_function_shape='ovr', break_ties=False, random_state=None)[source]#

C-支持向量机分类器。

该实现基于libsvm。拟合时间至少与样本数量呈二次方增长，对于超过数万个样本的数据集可能不切实际。对于大型数据集，请考虑改用LinearSVC或SGDClassifier，可能需要先进行Nystroem转换或其他核近似。

多类别支持是根据一对一方案处理的。

有关提供的核函数的精确数学公式以及gamma、coef0和degree如何相互影响的详细信息，请参阅叙述性文档中的相应部分：核函数。

要了解如何调整SVC的超参数，请参阅以下示例：嵌套交叉验证与非嵌套交叉验证

在用户指南中了解更多信息。

参数：

Cfloat, default=1.0

正则化参数。正则化的强度与C成反比。必须严格为正。惩罚项是平方l2惩罚。有关缩放正则化参数C的影响的直观可视化，请参阅缩放SVC的正则化参数。

kernel{‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’} or callable, default=’rbf’

指定算法中使用的核类型。如果没有给出，则将使用“rbf”。如果给定一个可调用对象，则它用于根据数据矩阵预计算核矩阵；该矩阵应该是形状为(n_samples, n_samples)的数组。有关不同核类型的直观可视化，请参阅使用不同的SVM核绘制分类边界。

degreeint, default=3

多项式核函数（'poly'）的阶数。必须是非负数。所有其他内核都忽略它。

gamma{‘scale’, ‘auto’} or float, default=’scale’

“rbf”、“poly”和“sigmoid”的核系数。

如果传递gamma='scale'（默认值），则它使用1 / (n_features * X.var())作为gamma的值，
如果为“auto”，则使用1 / n_features
如果为浮点数，则必须是非负数。

在0.22版本中更改： gamma的默认值已从“auto”更改为“scale”。

coef0float, default=0.0

核函数中的独立项。它只在“poly”和“sigmoid”中很重要。

shrinkingbool, default=True

是否使用收缩启发式。参见用户指南。

probabilitybool, default=False

是否启用概率估计。必须在调用fit之前启用此选项，因为它在内部使用5倍交叉验证，这会减慢该方法的速度，并且predict_proba可能与predict不一致。在用户指南中了解更多信息。

tolfloat, default=1e-3

停止准则的容差。

cache_sizefloat, default=200

指定内核缓存的大小（以MB为单位）。

class_weight字典或 ‘balanced’，默认=None

为 SVC 中的类别 i 设置参数 C 为 class_weight[i]*C。如果未给出，则所有类别都假设权重为 1。“balanced”模式使用 y 的值自动调整权重，使其与输入数据中类别的频率成反比，如 n_samples / (n_classes * np.bincount(y))。

verbose布尔值，默认=False

启用详细输出。请注意，此设置利用了 libsvm 中的每个进程运行时设置，如果启用，则可能在多线程上下文中无法正常工作。

max_iter整数，默认=-1

求解器中迭代的硬限制，或 -1 表示无限制。

decision_function_shape{'ovo', 'ovr'}，默认='ovr'

是否返回形状为 (n_samples, n_classes) 的一对多 ('ovr') 决策函数（与所有其他分类器一样），还是返回 libsvm 的原始一对一 ('ovo') 决策函数，其形状为 (n_samples, n_classes * (n_classes - 1) / 2)。但是，请注意，在内部，一对一 ('ovo') 始终用作训练模型的多类别策略；ovr 矩阵仅由 ovo 矩阵构建。对于二元分类，忽略此参数。

0.19 版本中的变更： decision_function_shape 默认值为 'ovr'。

0.17 版本中新增： decision_function_shape='ovr' 建议使用。

0.17 版本中的变更：已弃用 decision_function_shape='ovo' and None。

break_ties布尔值，默认=False

如果为真，decision_function_shape='ovr'，并且类别数 > 2，predict 将根据 decision_function 的置信值来打破平局；否则，返回平局类别中的第一个类别。请注意，与简单的预测相比，打破平局的计算成本相对较高。有关其与 decision_function_shape='ovr' 一起使用的示例，请参见 SVM 平局打破示例。

0.22 版本中新增。

random_state整数、RandomState 实例或 None，默认=None

控制用于对数据进行混洗以进行概率估计的伪随机数生成。当 probability 为 False 时忽略。传递一个整数以在多次函数调用中获得可重复的输出。参见词汇表。

属性：

class_weight_形状为 (n_classes,) 的 ndarray: 每个类别的参数 C 的乘数。根据 class_weight 参数计算。
classes_形状为 (n_classes,) 的 ndarray: 类别标签。
coef_形状为 (n_classes * (n_classes - 1) / 2, n_features) 的 ndarray: 当 kernel="linear" 时分配给特征的权重。
dual_coef_形状为 (n_classes -1, n_SV) 的 ndarray: 决策函数中支持向量的对偶系数（参见数学公式），乘以其目标。对于多类别，所有一对一分类器的系数。多类别情况下系数的布局有点复杂。有关详细信息，请参见用户指南的多类别部分。
fit_status_整数: 如果正确拟合则为 0，否则为 1（将发出警告）
intercept_形状为 (n_classes * (n_classes - 1) / 2,) 的 ndarray: 决策函数中的常数。
n_features_in_整数: 在 fit 期间看到的特征数量。

0.24 版本中新增。
feature_names_in_形状为 (n_features_in_,) 的 ndarray: 在 fit 期间看到的特征名称。仅当 X 的特征名称全部为字符串时才定义。

1.0 版本中新增。
n_iter_形状为 (n_classes * (n_classes - 1) // 2,) 的 ndarray: 优化例程为拟合模型运行的迭代次数。此属性的形状取决于优化的模型数量，而这又取决于类别的数量。

1.1 版本中新增。
support_形状为 (n_SV) 的 ndarray: 支持向量的索引。
support_vectors_形状为 (n_SV, n_features) 的 ndarray: 支持向量。如果内核是预计算的，则为空数组。
n_support_形状为 (n_classes,)，dtype=int32 的 ndarray: 每个类别的支持向量数量。
probA_形状为 (n_classes * (n_classes - 1) / 2) 的 ndarray: 当 probability=True 时在 Platt 缩放中学习的参数。
probB_形状为 (n_classes * (n_classes - 1) / 2) 的 ndarray: 当 probability=True 时在 Platt 缩放中学习的参数。
shape_fit_形状为 (n_dimensions_of_X,) 的整数元组: 训练向量 X 的数组维度。

另请参见

支持向量回归器 (SVR): 使用 libsvm 实现的回归支持向量机。
线性支持向量分类器 (LinearSVC): 使用 liblinear 实现的可扩展线性支持向量机分类。查看 LinearSVC 的“另请参见”部分以了解更多比较元素。

参考文献

[1]

LIBSVM：支持向量机的库

[2]

Platt，John (1999)。“支持向量机的概率输出以及与正则化似然方法的比较”

示例

>>> import numpy as np
>>> from sklearn.pipeline import make_pipeline
>>> from sklearn.preprocessing import StandardScaler
>>> X = np.array([[-1, -1], [-2, -1], [1, 1], [2, 1]])
>>> y = np.array([1, 1, 2, 2])
>>> from sklearn.svm import SVC
>>> clf = make_pipeline(StandardScaler(), SVC(gamma='auto'))
>>> clf.fit(X, y)
Pipeline(steps=[('standardscaler', StandardScaler()),
                ('svc', SVC(gamma='auto'))])

>>> print(clf.predict([[-0.8, -1]]))
[1]

有关 SVC 与其他分类器的比较，请参见：分类概率图。

property coef_#

当 kernel="linear" 时分配给特征的权重。

返回值：

形状为 (n_features, n_classes) 的 ndarray

decision_function(X)[source]#

评估 X 中样本的决策函数。

参数：

X形状为 (n_samples, n_features) 的类数组: 输入样本。

返回值：

X形状为 (n_samples, n_classes * (n_classes-1) / 2) 的ndarray: 返回模型中每个类别的样本决策函数。如果 decision_function_shape='ovr'，则形状为 (n_samples, n_classes)。

注释

如果 decision_function_shape='ovo'，则函数值与样本 X 到分离超平面的距离成比例。如果需要精确距离，则将函数值除以权重向量 (coef_) 的范数。有关更多详细信息，另请参见此问题。如果 decision_function_shape='ovr'，则决策函数是 ovo 决策函数的单调变换。

fit(X, y, sample_weight=None)[source]#

根据给定的训练数据拟合 SVM 模型。

参数：

X形状为 (n_samples, n_features) 或 (n_samples, n_samples) 的 {类数组，稀疏矩阵}: 训练向量，其中 n_samples 是样本数，n_features 是特征数。对于 kernel=”precomputed”，X 的预期形状为 (n_samples, n_samples)。
y形状为 (n_samples,) 的类数组: 目标值（分类中的类别标签，回归中的实数）。
sample_weight形状为 (n_samples,) 的类数组，默认为 None: 每个样本的权重。按样本重新调整 C。较高的权重迫使分类器更加重视这些点。

返回值：

self对象: 拟合后的估计器。

注释

如果 X 和 y 不是 C 顺序且连续的 np.float64 数组，并且 X 不是 scipy.sparse.csr_matrix，则可能会复制 X 和/或 y。

如果 X 是稠密数组，则其他方法不支持稀疏矩阵作为输入。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查看用户指南，了解路由机制的工作原理。

返回值：

routingMetadataRequest: 一个 MetadataRequest 封装了路由信息。

get_params(deep=True)[source]#

获取此估计器的参数。

参数：

deep布尔值，默认为 True: 如果为 True，则将返回此估计器和包含的作为估计器的子对象的参数。

返回值：

params字典: 参数名称与其值的映射。

property n_support_#: 每个类别的支持向量数量。

predict(X)[source]#

对 X 中的样本进行分类。

对于单类模型，返回 +1 或 -1。

参数：

X形状为 (n_samples, n_features) 或 (n_samples_test, n_samples_train) 的 {类数组，稀疏矩阵}: 对于 kernel=”precomputed”，X 的预期形状为 (n_samples_test, n_samples_train)。

返回值：