RBF 支持向量机参数调优

简介

本实验展示了如何调整径向基函数（RBF）核支持向量机（SVM）的参数。RBF 核的 gamma 和 C 参数对 SVM 模型的性能至关重要。目标是选择这些参数的最优值，以最大化模型的准确率。

虚拟机使用提示

虚拟机启动完成后，点击左上角切换到 笔记本 标签页，以访问 Jupyter Notebook 进行练习。

有时，你可能需要等待几秒钟让 Jupyter Notebook 完成加载。由于 Jupyter Notebook 的限制，操作验证无法自动化。

如果你在学习过程中遇到问题，随时向 Labby 提问。课程结束后提供反馈，我们会立即为你解决问题。

Skills Graph

加载并准备数据集

• 从 scikit-learn 中加载鸢尾花数据集。
• 将数据分离为特征矩阵 X 和目标向量 y。
• 使用 StandardScaler 对特征矩阵 X 进行标准化。
• 通过仅保留 X 中的前两个特征并对数据集进行子采样，以仅保留两个类别并将其变为二分类问题，从而创建一个用于决策函数可视化的简化版数据集。

训练分类器

• 使用 np.logspace 创建 gamma 和 C 参数的对数网格。
• 使用 StratifiedShuffleSplit 将数据拆分为训练集和测试集。
• 使用 GridSearchCV 进行网格搜索，以找到支持向量机（SVM）模型的最佳参数。
• 为二维版本中的所有参数拟合一个分类器。

可视化

• 在一个仅涉及2个输入特征和2个可能目标类别（二分类）的简化分类问题上，可视化各种参数值下的决策函数。
• 将分类器的交叉验证准确率作为 C 和 gamma 的函数，可视化其热图。

结果解读

• 解读可视化结果并选择 C 和 gamma 的最优值。

总结

本实验展示了如何调整径向基函数（RBF）核支持向量机（SVM）的参数。RBF 核的 gamma 和 C 参数对 SVM 模型的性能至关重要，并且可以通过结合网格搜索和可视化技术来找到这些参数的最优值。