python的sklearn里svm的kernel主要有哪几种函数类型

1. python的sklearn里svm的kernel主要有哪几种函数类型

1首先需要安装Cython，网上下载后进行本地安装pythonsetup.pyinstall2下载Sklearn包，进行本地安装（使用pip或easy_install总是出错，如cannotimportmurmurhash3_32，最终本地安装成功）3安装后可用nosetests-vsklearn来进行测试

2. SVM，python，sklearn，输出概率值和输出结果不对应（解决必采纳）？

有些问题不能用这种方法解决吗？例如异或的猜测方法，不能用这样的训练手段达到解决的目的。

3. 关于python sklearn 中SVM分类的问题

改成result = clf.predict([[2, 2]])

4. 为什么运行python时提示‘no module named sklearn’?

在Python中，出现'no module named sklean'的原因是，没有正确安装sklean包。可以使用pip包管理器来安装包，pip包管理器会自动安装包所依赖的包而无需额外手动安装，因此十分方便。使用pip包管理器安装包的方法如下：
在命令行中输入：pip install sklean
如果成功安装，会提示“Successfully installed sklean”。

扩展资料：下载Python注意事项：
在您开始之前，在你的计算机将需要Python，但您可能不需要下载它。首先检查(在命令行窗口输入python)有没有安装Python!如果你看到了一个Python解释器的响应，那么就能在她的显示窗口中得到一个版本号。通常较新的版本都可以做到Python的向后兼容。
如果您需要安装， 您不妨下载最近稳定的版本。 就是那个以没有被标记作为alpha或Beta发行的最高的版本。目前最稳定的版本是Python3.0以上。
如果你使用的操作系统是Windows：最稳定的Windows版本下载是"Python 2.5 for Windows"
如果你使用的是Mac，MacOS 10.2 (Jaguar), 10.3 (Panther) and 10.4 (Tiger)已经集成安装了Python，但是你大概需要安装最近通用的构架(build)。
对于Red Hat，安装python2和python2-devel包。
对于Debian，安装python2.5和python2.5-dev包。
参考资料：Python（计算机程序设计语言）_百度百科

5. 为什么sklearn里面的svm运行特别快

1首先需要安装Cython，网上下载后进行本地安装pythonsetup.pyinstall2下载Sklearn包，进行本地安装（使用pip或easy_install总是出错，如cannotimportmurmurhash3_32，最终本地安装成功）3安装后可用nosetests-vsklearn来进行测试

6. 如何使用sklearn中的SVM

SVM既可以用来分类，就是SVC；又可以用来预测，或者成为回归，就是SVR。sklearn中的svm模块中也集成了SVR类。     我们也使用一个小例子说明SVR怎么用。 X = [[0, 0], [1, 1]] y = [0.5, 1.5] clf = svm.SVR() clf.fit(X, y) result = clf.predict([2, 2]) print result

7. python的sklearn中svm怎么输出R2和RMSE

调用 sklearn.metrics 中的 相应方法

8. 如何使用sklearn中的SVM

CvSVMParams::CvSVMParams() :
svm_type(CvSVM::C_SVC), kernel_type(CvSVM::RBF), degree(0),
gamma(1), coef0(0), C(1), nu(0), p(0), class_weights(0)
SVM种类：CvSVM::C_SVC C_SVC该类型可以用于n-类分类问题 (n>=2)，其重要特征是它可以处理非完美分类
的问题 (及训练数据不可以完全的线性分割)。它是最常被使用的SVM类型。 
CvSVM::C_SVC - n(n>=2)分类器，允许用异常值惩罚因子C进行不完全分类。
CvSVM::NU_SVC - n类似然不完全分类的分类器。参数nu取代了c，其值在区间【0，1】中，nu越大，决策边界越平滑。
CvSVM::ONE_CLASS - 单分类器，所有的训练数据提取自同一个类里，然後SVM建立了一个分界线以分割该类在特征空间中所占区域和其它类在特征空间中所占区域。
CvSVM::EPS_SVR - 回归。 训练集中的特征向量和拟合出来的超平面的距离需要小于p。异常值惩罚因子C被采用。
CvSVM::NU_SVR - 回归；nu 代替了p 
Kernel的种类： 
CvSVM::LINEAR - 表示不需要进行映射，没有任何向映射至高维空间，线性区分（或回归）在原始特征空间中被完成，这是最快的选择。 d(x,y) = xy == (x,y)
CvSVM::POLY - 多项式核: d(x,y) = (gamma*(xy)+coef0)degree
CvSVM::RBF - 径向基，对于大多数情况都是一个较好的选择：d(x,y) = exp(-gamma*|x-y|2)
CvSVM::SIGMOID - sigmoid函数被用作核函数: d(x,y) = tanh(gamma*(xy)+coef0) 
CvSVM::RBF，貌似比 CvSVM::LINER 正确率高
degree：内核函数（POLY）的参数degree。
10.0（此次不使用） 
gamma：内核函数（POLY/ RBF/ SIGMOID）的参数\gamma。
8.0 
coef0：内核函数（POLY/ SIGMOID）的参数coef0
1.0（此次不使用） 
C： Cvalue – SVM类型（C_SVC/ EPS_SVR/ NU_SVR）的参数C。
10.0 
nu： SVM类型（NU_SVC/ ONE_CLASS/ NU_SVR）的参数 \nu。
0.5（此次不使用） 
p：SVM类型（EPS_SVR）的参数 \epsilon。
0.1（此次不使用） 
class_weights： – C_SVC中的可选权重，赋给指定的类，乘以C以后变成 class_weight_si * C。所以这些权重影响不同类别的错误分类惩罚项。权重越大，某一类别的误分类数据的惩罚项就越大。
term_crit: – SVM的迭代训练过程的中止条件，解决部分受约束二次最优问题。您可以指定的公差和/或最大迭代次数。
然后对训练数据正规化处理，并放在CvMat型的数组里。