跳到主要内容

线性支持向量机分类（LinearSVC）使用文档

组件名称线性支持向量机分类（LinearSVC）
工具集数据读写/本地数据
组件作者雪浪云-墨文
文档版本1.0
功能线性支持向量机分类（LinearSVC）算法
镜像名称ml_components:3
开发语言Python

组件原理​

线性支持向量机回归属于算法组件中机器学习的一种回归组件。

在机器学习中，支持向量机(SVMs，也称为支持向量网络)是一种有关联学习算法的监督学习模型，支持分类和回归问题的数据建模。给定一组训练数据，每个样本属于一个或其他类别，用支持向量机算法构建并训练一个模型，将新样本分配到一个类别，使它成为一个非概率性二分类器。支持向量机模型是将样本表示为空间中的点，并将其映射，以便将不同类别的样本之间的间距尽可能大。然后，新的样本被映射到相同的空间中，并根据它们所处的位置，预测它们属于某个类别。

除了执行线性分类，支持向量机还可以通过使用核线方程有效地执行非线性分类，隐式地将它们的输入映射到高维特征空间。

当数据没有标记时，监督学习是不可能的，需要一种无监督学习方法，通过无监督学习试图找到数据到类别的自然聚类，然后将新数据映射到这些形成的类别。支持向量聚类算法是由Hava Siegelmann和Vladimir Vapnik共同创建的，它利用支持向量的统计量对未标注的数据进行分类，是工业应用中应用最广泛的聚类算法之一。

支持向量机也可以作为回归方法，保持算法的所有主要特征(最大边缘算法)。支持向量回归(SVR)使用与支持向量机相同的原则进行分类，只有一些细微的差异。首先，因为输出是一个连续值，所以很难预测，因为它有无限种可能性。在回归的情况下，容忍度(epsilon)被设置为支持向量机的近似值，算法将更加复杂。然而，其主要思想始终是相同的:为了最小化误差，使超平面的类别间距最大化，但是部分误差是可以容忍的。

输入桩​

支持单个csv文件输入。

输出端子1​

  • 端口名称： 训练数据
  • 输出类型： Csv文件
  • 功能描述： 输入用于训练的数据

输出桩​

支持sklearn模型输出。

输出端子1​

  • 端口名称： 输出模型
  • 输出类型： sklearn模型
  • 功能描述： 输出训练好的模型用于预测

参数配置​

penalty​

  • 功能描述： ‘l1’ or ‘l2’ ，指定处罚中使用的规范
  • 必选参数： 是
  • 默认值： l2

loss​

  • 功能描述： ‘hinge’ or ‘squared_hinge’，损失函数
  • 必选参数： 是
  • 默认值： squared_hinge

dual​

  • 功能描述： 选择算法来解决对偶或原始优化问题
  • 必选参数： 是
  • 默认值： true

tol​

  • 功能描述： 算法停止的容忍度。
  • 必选参数： 是
  • 默认值： 0.0001

C​

  • 功能描述： 误差项的惩罚参数C。
  • 必选参数： 是
  • 默认值： 1

需要训练​

  • 功能描述： 是否需要训练
  • 必选参数： 是
  • 默认值： true

Fit Intercept​

  • 功能描述： 是否计算该模型的截距。
  • 必选参数： 是
  • 默认值： true

Intercept Scaling​

  • 功能描述： 为了减少正则化对合成特征权重(截距)的影响，必须增加Intercept Scaling。
  • 必选参数： 是
  • 默认值： 1

verbose​

  • 功能描述： 启用详细输出。
  • 必选参数： 是
  • 默认值： 0

Random State​

  • 功能描述： 随机种子。
  • 必选参数： 否
  • 默认值： （无）

Max Iter​

  • 功能描述： 要运行的最大迭代数。
  • 必选参数： 是
  • 默认值： 1000

multi_class​

  • 功能描述： 如果y包含两个以上的类，则确定多类策略。
  • 必选参数： 是
  • 默认值： ovr

特征字段​

  • 功能描述： 特征字段
  • 必选参数： 是
  • 默认值： （无）

识别字段​

  • 功能描述： 目标字段
  • 必选参数： 是
  • 默认值： （无）

使用方法​

  • 加组件拖入到项目中
  • 与前一个组件输出的端口连接（必须是csv类型）
  • 点击运行该节点