支持向量机：修订间差异

来自决策链云智库
第58行： 第58行：
* 正则化参数：正则化参数是机器学习算法中的一个重要参数，用于控制模型的复杂度并防止过拟合（Overfitting）。选择适当的正则化参数对于获得良好的模型性能非常重要。默认为1.0。
* 正则化参数：正则化参数是机器学习算法中的一个重要参数，用于控制模型的复杂度并防止过拟合（Overfitting）。选择适当的正则化参数对于获得良好的模型性能非常重要。默认为1.0。
* 核函数选择：核函数（Kernel Function）是一种用于衡量数据之间相似性的函数。核函数通常用于支持向量机（Support Vector Machines）和核方法（Kernel Methods）等算法中，用于将低维数据映射到高维特征空间，从而更好地进行分类或回归。
* 核函数选择：核函数（Kernel Function）是一种用于衡量数据之间相似性的函数。核函数通常用于支持向量机（Support Vector Machines）和核方法（Kernel Methods）等算法中，用于将低维数据映射到高维特征空间，从而更好地进行分类或回归。
** linear，
** linear：线性核，
** poly，
** poly：多项式，
** RBF，
** RBF：高斯核，
** sigmoid，
** sigmoid，
** precomputed。
** precomputed。

2024年1月18日 (四) 14:45的版本

Support Vector Machine.png
节点状态
PC可用
在 V1.0部署
支持向量机Support Vector Machine.svg
节点开发者决策链算法研发部 (Dev.Team-DPS)
节点英文名支持向量机
功能主类别机器学习
英文缩写支持向量机
功能亚类别分类训练器
节点类型数据挖掘
开发语言Python
节点简介

支持向量机（Support Vector Machine，简称SVM）是一种广泛应用于分类和回归问题的监督学习算法。它的目标是找到一个最优的超平面或者决策边界，可以将不同类别的样本分开，并且具有较好的泛化能力。

端口数量与逻辑控制(PC)
Input-入口2个
Output-出口3个
Loop-支持循环否
If/Switch-支持逻辑判断否
输入输出
可生成图片类型（推荐）
可生成数据表类型（推荐）
相关节点
上一节点决策树
下一节点梯度提升树
WikimediaUI-Globe.svg相关网站




算法概述

示例代码-支持向量机分类节点

该节点使用Python编写，调用scikit-learn包[1]。以下为示例代码： 

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)

拟合后，模型可以用于预测样本的类别，可以在通用预测模块实现内外部测试集的预测。

节点使用指南

  • 最适用的场景：决策树可用于解决分类问题，其中目标是将数据分为不同的类别或预测数据的类别。
  • 处理的数据类型：结局变量为二分类，特征变量大多数为连续型的变量。

变量配置

  • 选择特征变量：作为特征进行学习的变量（X），多选。
  • 选择目标变量：作为结局的二分类变量（y），单选。

参数配置

  • 设置随机数：控制模型的随机性。
  • 正则化参数：正则化参数是机器学习算法中的一个重要参数，用于控制模型的复杂度并防止过拟合（Overfitting）。选择适当的正则化参数对于获得良好的模型性能非常重要。默认为1.0。
  • 核函数选择：核函数（Kernel Function）是一种用于衡量数据之间相似性的函数。核函数通常用于支持向量机（Support Vector Machines）和核方法（Kernel Methods）等算法中，用于将低维数据映射到高维特征空间，从而更好地进行分类或回归。
    • linear：线性核，
    • poly：多项式，
    • RBF：高斯核，
    • sigmoid，
    • precomputed。

注意事项

  • 不支持带空值运算，用多重插补或插补空值进行插补，
  • 节点不出图，
  • 导入该节点的数据端口为训练数据集，导入前注意转换。

参考文献

  1. ↑ Kramer, Oliver (2016). "Scikit-learn". Machine learning for evolution strategies. Springer: 45--53.

查找其他类别的节点，请参考以下列表

取自“https://wiki.statsape.com/index.php?title=支持向量机&oldid=5114”
最近修改
此页面最后编辑于2024年1月18日 (星期四) 14:45。
版权
DecisionLinnc Wiki (决策链云智库) © 2024 by Statsape is licensed under Attribution-NonCommercial-ShareAlike 4.0 International. To view a copy of this license, visit [http://creativecommons.org/licenses/by-nc-sa/4.0/| CreativeCommons-Licenses-4.0].