SVM（下）：如何进行乳腺癌检测？

SVM（下）：如何进行乳腺癌检测？

SVM（下）：如何进行乳腺癌检测？

如何在sklearn中使用SVM

在Python的sklearn工具包中有SVM算法，首先引用工具包

from sklearn import svm

SVM可以做回归可以做分类器，当用SVM做回归的时候，使用SVR，当做分类器的时候，用的是SVC，SVC是个线性分类器，用于处理线性可分的数据，只能使用线性核函数，SVM就是通过核函数将样本从原始空间映射到一个更高维的特质空间中，使得样本在新的空间中线性可分。针对非线性的数据需要用到SVC，在SVC中既可以使用到线性核函数(进行线性划分)，也能使用高维的核函数（进行非线性划分）。

如何创建一个SVM分类器？首先使用SVC的构造函数：model=svm.SVC(kernel='rbf',C=1.0,gamma='auto')三个重要参数kernel、C、gamma，kernel代表核函数的选择，默认rbf即高斯核函数

• linear：线性核函数
• poly：多项式核函数
• rbf：高斯核函数
• sigmoid：sigmoid核函数

1. 线性核函数，是在数据线性可分的情况下使用的，运算速度快、效果好，但是它不能处理线性不可分的数据

2. 多项式核函数可以将数据从低维空间映射到高维空间，但是参数多，计算量大

3. 高斯核函数同样可以将样本映射到高维空间，相比于多项式核函数来说所需要的参数比较少，性能好，默认使用高斯核函数

4. sigmoid核函数经常用于神经网络映射中，SVM实现的是多层神经网络

   除了第一种线性核函数外，其余都可以处理线性不可分数据

C代表目标函数的惩罚系数，惩罚系数指的是分错样本时的惩罚系数，默认为1，当C越大的时候分类器的准确性越高，但同样容错率越低，泛化能力变差，C越小，泛化能力越强，准确性