基于Scikit-Learn的SVM分类器算法优化

• 作者: 左一鹏 陈辉
• 来源期刊: 上海电力大学学报
• 学科: 工学
• 关键词: SVM分类器 机器学习 径向基核函数 网格搜索
• 年，卷（期）: 2020,（3）
• 页码范围: 259-264,306
• 页数: 7页
• 分类号: TP181
• 字数: 4698字
• 语种: 中文
• DOI: 10.3969/j.issn.2096-8299.2020.03.010

摘要

支持向量机(SVM)在高维度数据分类中表现出优异性能,可通过核函数对原始特征进行映射,解决原始空间线性不可分问题.但由于数据特征、维度不同,所以SVM在参数调整时,一般需要手动调整,效率较低且增加工作量.针对该问题,提出了一种基于Scikit-Learn的SVM分类器参数调整优化方法.使用网格搜索对最优参数范围进行搜索,利用高斯径向基核函数进行参数调整,基于Python机器学习库Scikit-Learn对不同参数、不同核函数的分类结果进行可视化观察,并在网格上显示其最优参数范围,寻找准确率高的参数分布.通过自动迭代的方式对参数进行更精确求解,设定相应值代入迭代计算.同时为防止陷入过拟合,设定最优参数邻域范围直接读取最优参数值.实验结果表明,所提出的方法可大量减少人工调参时间,且可以更精确地获得SVM的最优参数.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈辉	上海电力大学自动化工程学院	14	57	3.0	7.0
2	左一鹏	上海电力大学自动化工程学院	1	0	0.0	0.0