绘制验证曲线#

在这个图中，您可以看到 SVM 在内核参数 gamma 的不同值下的训练得分和验证得分。对于非常小的 gamma 值，您可以看到训练得分和验证得分都很低。这被称为欠拟合。中等 gamma 值将导致两个得分都较高，即分类器表现良好。如果 gamma 太高，分类器将过拟合，这意味着训练得分很好，但验证得分很差。

Validation Curve for SVM with an RBF kernel

import matplotlib.pyplot as plt
import numpy as np

from sklearn.datasets import load_digits
from sklearn.model_selection import ValidationCurveDisplay
from sklearn.svm import SVC

X, y = load_digits(return_X_y=True)
subset_mask = np.isin(y, [1, 2])  # binary classification: 1 vs 2
X, y = X[subset_mask], y[subset_mask]

disp = ValidationCurveDisplay.from_estimator(
    SVC(),
    X,
    y,
    param_name="gamma",
    param_range=np.logspace(-6, -1, 5),
    score_type="both",
    n_jobs=2,
    score_name="Accuracy",
)
disp.ax_.set_title("Validation Curve for SVM with an RBF kernel")
disp.ax_.set_xlabel(r"gamma (inverse radius of the RBF kernel)")
disp.ax_.set_ylim(0.0, 1.1)
plt.show()

脚本的总运行时间：（0 分钟 0.662 秒）