在支持向量機(jī)(以下簡稱SVM)的核函數(shù)中,高斯核(以下簡稱RBF)是最常用的,從理論上講, RBF一定不比線性核函數(shù)差,但是在實(shí)際應(yīng)用中,卻面臨著幾個(gè)重要的超參數(shù)的調(diào)優(yōu)問題。如果調(diào)的不好,可能比線性核函數(shù)還要差。所以我們實(shí)際應(yīng)用中,能用線性核函數(shù)得到較好效果的都會(huì)選擇線性核函數(shù)。如果線性核不好,我們就需要使用RBF,在享受RBF對非線性數(shù)據(jù)的良好分類效果前,我們需要對主要的超參數(shù)進(jìn)行選取。本文我們就對scikit-learn中 SVM RBF的調(diào)參做一個(gè)小結(jié)。

1. SVM RBF 主要超參數(shù)概述    

    如果是SVM分類模型,這兩個(gè)超參數(shù)分別是懲罰系數(shù)C

延伸閱讀

學(xué)習(xí)是年輕人改變自己的最好方式-Java培訓(xùn),做最負(fù)責(zé)任的教育,學(xué)習(xí)改變命運(yùn),軟件學(xué)習(xí),再就業(yè),大學(xué)生如何就業(yè),幫大學(xué)生找到好工作,lphotoshop培訓(xùn),電腦培訓(xùn),電腦維修培訓(xùn),移動(dòng)軟件開發(fā)培訓(xùn),網(wǎng)站設(shè)計(jì)培訓(xùn),網(wǎng)站建設(shè)培訓(xùn)學(xué)習(xí)是年輕人改變自己的最好方式