正文

如何通过Python调整SVM模型参数提升分类效果实战案例

/0 浏览量
0624

引言

支持向量机（Support Vector Machine，SVM）是一种强大的分类算法，广泛应用于各种数据分类任务中。然而，SVM的性能很大程度上取决于模型参数的选择。本文将通过一个实战案例，展示如何使用Python调整SVM模型的参数，以提升分类效果。

数据准备

首先，我们需要一个数据集来进行实验。这里我们使用著名的Iris数据集，它包含三种不同品种的鸢尾花，每种品种有50个样本，共150个样本，每个样本有4个特征。

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

初始模型

接下来，我们使用默认参数训练一个SVM模型。

from sklearn.svm import SVC

# 初始化SVM模型
svm_model = SVC()

# 训练模型
svm_model.fit(X_train, y_train)

# 评估模型
score = svm_model.score(X_test, y_test)
print(f"初始模型准确率：{score:.2f}")

调整参数

为了提升SVM模型的分类效果，我们需要调整模型参数。SVM模型的主要参数包括：

  • C：正则化参数，控制模型对误分类的惩罚程度。
  • gamma：核函数的系数，用于调整核函数的形状。
  • kernel：核函数类型，常用的有线性核、多项式核、径向基函数（RBF）核等。

我们可以使用网格搜索（Grid Search）来遍历不同的参数组合，找到最优参数。

from sklearn.model_selection import GridSearchCV

# 设置参数网格
param_grid = {
    'C': [0.1, 1, 10],
    'gamma': [0.001, 0.01, 0.1],
    'kernel': ['linear', 'rbf', 'poly']
}

# 初始化网格搜索
grid_search = GridSearchCV(svm_model, param_grid, cv=5)

# 执行网格搜索
grid_search.fit(X_train, y_train)

# 获取最优参数
best_params = grid_search.best_params_
print(f"最优参数：{best_params}")

# 使用最优参数训练模型
best_svm_model = SVC(**best_params)
best_svm_model.fit(X_train, y_train)

# 评估模型
best_score = best_svm_model.score(X_test, y_test)
print(f"最优模型准确率：{best_score:.2f}")

结果分析

通过调整SVM模型参数，我们成功提升了模型的分类效果。从初始模型的准确率到最优模型的准确率，可以看到参数调整带来的性能提升。

结论

本文通过一个实战案例，展示了如何使用Python调整SVM模型参数以提升分类效果。在实际应用中，我们可以根据具体的数据集和任务，尝试不同的参数组合，以找到最优的模型参数。

-- 展开阅读全文 --