SKlearn中的svm超参数总结

SKlearn中好多机器学习模型已经做好了，使用的时候直接调用就可以，俗称“调包侠”，我觉得挺有意思，这样大大降低了机器学习的门槛，最近几天一直在使用svm训练模型，其中数据样本不均衡以及打分一直上不去，特征工程也调了好久，现在开始对svm的一些参数进行调试，看看模型会不会变得更好。

1. SVC参数解释 
2. （1）C: 目标函数的惩罚系数C，用来平衡分类间隔margin和错分样本的，default C = 1.0； 
3. （2）kernel：参数选择有RBF, Linear, Poly, Sigmoid, 默认的是"RBF"; 
4. （3）degree：if you choose 'Poly' in param 2, this is effective, degree决定了多项式的最高次幂； 
5. （4）gamma：核函数的系数('Poly', 'RBF' and 'Sigmoid'), 默认是gamma = 1 / n_features; 
6. （5）coef0：核函数中的独立项，'RBF' and 'Poly'有效； 
7. （6）probablity: 可能性估计是否使用(true or false)； 
8. （7）shrinking：是否进行启发式； 
9. （8）tol（default = 1e - 3）: svm结束标准的精度; 
10. （9）cache_size: 制定训练所需要的内存（以MB为单位）； 
11. （10）class_weight: 每个类所占据的权重，不同的类设置不同的惩罚参数C, 缺省的话自适应； 
12. （11）verbose: 跟多线程有关，不大明白啥意思具体； 
13. （12）max_iter: 最大迭代次数，default = 1， if max_iter = -1, no limited; 
14. （13）decision_function_shape ： ‘ovo’ 一对一, ‘ovr’ 多对多  or None 无, default=None 
15. （14）random_state ：用于概率估计的数据重排时的伪随机数生成器的种子。 
16. 
    
17. 提示：7,8,9一般不考虑。 

明白了这些可以选择调整的超参数，后续我们可以尝试在特征工程和超参数调整使得模型训练的更好。