Подробно: настройка параметров для SVC

В этом посте мы рассмотрим наиболее важные параметры классификатора Sklearn SVC и их влияние на нашу модель с точки зрения переобучения.

Классификатор опорных векторов пытается найти лучшую гиперплоскость для разделения различных классов, максимизируя расстояние между точками выборки и гиперплоскостью.

Мы будем использовать данные Iris из sklearn.

Начнем с загрузки библиотек и SVC

import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm, datasets
%matplotlib inline
# import some data to play with
iris = datasets.load_iris()
X = iris.data[:, :2] # we only take the first two features. We could
 # avoid this ugly slicing by using a two-dim dataset
y = iris.target

Мы используем тот же сценарий построения графиков.

def plotSVC(title):
  # create a mesh to plot in
  x_min, x_max = X[:, 0].min() — 1, X[:, 0].max() + 1
  y_min, y_max = X[:, 1].min() — 1, X[:, 1].max() + 1
  h = (x_max / x_min)/100
  xx, yy = np.meshgrid(np.arange(x_min, x_max, h),
 np.arange(y_min, y_max, h))
 plt.subplot(1, 1, 1)
 Z = svc.predict(np.c_[xx.ravel(), yy.ravel()])
 Z = Z.reshape(xx.shape)
 plt.contourf(xx, yy, Z, cmap=plt.cm.Paired, alpha=0.8)
 plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Paired)
 plt.xlabel(‘Sepal length’)
 plt.ylabel(‘Sepal width’)
 plt.xlim(xx.min(), xx.max())
 plt.title(title)
 plt.show()

Ядро

Параметры ядра выбирают тип гиперплоскости, используемой для разделения данных. При использовании «linear» будет использоваться линейная гиперплоскость (линия в случае 2D-данных). «Rbf» и «poly» используют нелинейную гиперплоскость.

kernels = [‘linear’, ‘rbf’, ‘poly’]
for kernel in kernels:
  svc = svm.SVC(kernel=kernel).fit(X, y)
  plotSVC(‘kernel=’ + str(kernel))

гамма

гамма - параметр для нелинейных гиперплоскостей. Чем выше значение гаммы, тем точнее он пытается соответствовать набору обучающих данных.

gammas = [0.1, 1, 10, 100]
for gamma in gammas:
   svc = svm.SVC(kernel=’rbf’, gamma=gamma).fit(X, y)
   plotSVC(‘gamma=’ + str(gamma))

Мы видим, что увеличение гаммы приводит к переобучению, поскольку классификатор пытается идеально соответствовать обучающим данным.

C

C - штрафной параметр члена ошибки. Он контролирует компромисс между гладкой границей решения и правильной классификацией тренировочных точек.

cs = [0.1, 1, 10, 100, 1000]
for c in cs:
   svc = svm.SVC(kernel=’rbf’, C=c).fit(X, y)
   plotSVC(‘C=’ + str(c))

Увеличение значений C может привести к переобучению обучающих данных.

степень

Степень - это параметр, используемый, когда ядро ​​установлено на «поли». По сути, это степень полинома, используемого для нахождения гиперплоскости для разделения данных.

degrees = [0, 1, 2, 3, 4, 5, 6]
for degree in degrees:
   svc = svm.SVC(kernel=’poly’, degree=degree).fit(X, y)
   plotSVC(‘degree=’ + str(degree))

Использование степени = 1 аналогично использованию «линейного» ядра. Кроме того, увеличение этого параметра приводит к увеличению времени обучения.

Серия inDepth исследует, как параметры модели влияют на производительность с точки зрения переобучения и недостаточного подгонки. Вы можете проверить настройку параметров для моделей на основе дерева, таких как Дерево решений, Случайный лес, Повышение градиента и KNN.