Lär Er AI med Python · Lektion

SVM för klassificering med sklearn

SVC, LinearSVC, kernelval, class_weight='balanced', probability=True.

Lektion 3 av 413 steg

SVM för klassificering med sklearn är en gratis lektion i Lär Er AI med Python på CoddyKit. Detta är lektion 3 av 4. Du kan läsa vilka 3 lektioner som helst i den här lärvägen kostnadsfritt i sin helhet – därefter låser CoddyKit PRO upp alla lektioner, plus praktisk övning med en inbyggd kodredigerare och en AI-lärare dygnet runt. Den ingår i lärvägen för Lär Er AI med Python, och Era framsteg synkroniseras mellan webben och CoddyKit-appen. Kursen i Lär Er AI med Python innehåller totalt 4 lektioner.

SVM:er i scikit-learn

scikit-learn erbjuder flera SVM-klassificerare. Den viktigaste är SVC, som stöder linjära och kernelbaserade gränser via parametern kernel.

from sklearn.svm import SVC

model = SVC(kernel="rbf", C=1.0, gamma="scale")
model.fit(Xtr, ytr)
print(model.score(Xte, yte))

De viktigaste SVC-parametrarna

Tre parametrar styr hur SVC fungerar:

kernel typen av gräns (linear, rbf, poly)
C felstraffet och regulariseringen
gamma kernelbredden för rbf/poly

from sklearn.svm import SVC

model = SVC(kernel="rbf", C=10, gamma=0.1)

Skala alltid först

SVM:er är känsliga för skalan. Lägg skalaren och SVC i en pipeline, så att skalningen endast anpassas på träningsdata, även inuti korsvalidering.

from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC

pipe = make_pipeline(StandardScaler(), SVC(kernel="rbf"))
pipe.fit(Xtr, ytr)

LinearSVC för stora dataset

SVC(kernel="linear") skalar dåligt när antalet observationer är stort. LinearSVC använder en snabbare lösare som är optimerad för linjära problem och hanterar stora, högdimensionella data mycket bättre.

from sklearn.svm import LinearSVC

model = LinearSVC(C=1.0, max_iter=5000)
model.fit(Xtr, ytr)

SVC jämfört med LinearSVC

Använd LinearSVC för stora eller glesa data, till exempel text. Använd SVC när ni behöver kernels för icke-linjära gränser. Observera att LinearSVC använder en något annorlunda förlustfunktion och saknar predict_proba.

Klassobalans

När en klass är sällsynt tenderar SVM att gynna majoritetsklassen. Om ni anger class_weight="balanced" viktas klasserna automatiskt omvänt mot deras frekvens.

from sklearn.svm import SVC

model = SVC(kernel="rbf", class_weight="balanced")
model.fit(Xtr, ytr)

Anpassade klassvikter

Ni kan också skicka in en explicit dictionary till class_weight för att ge en viss klass större vikt än vid den automatiska balanseringen.

from sklearn.svm import SVC

model = SVC(class_weight={0: 1, 1: 5})  # class 1 errors cost 5x

Sannolikhetsuppskattningar

Som standard returnerar SVC hårda klassetiketter. Ange probability=True för att aktivera predict_proba (via intern kalibrering), vilket behövs för ROC AUC och justering av tröskelvärden. Det gör träningen långsammare.

from sklearn.svm import SVC

model = SVC(probability=True)
model.fit(Xtr, ytr)
proba = model.predict_proba(Xte)[:, 1]

SVM för flera klasser

SVC hanterar automatiskt fler än två klasser med ett one-vs-one-schema. Ni behöver inte ändra koden; träna bara med etiketter för flera klasser så fungerar det.

from sklearn.svm import SVC

model = SVC(decision_function_shape="ovr")
model.fit(X_multiclass, y_multiclass)

Finjustering av C och gamma med GridSearchCV

Standardmetoden är en grid search över C och gamma på en logaritmisk skala, allt inuti en pipeline för skalning.

from sklearn.model_selection import GridSearchCV
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC

pipe = make_pipeline(StandardScaler(), SVC(kernel="rbf"))
param = {
    "svc__C": [0.1, 1, 10, 100],
    "svc__gamma": [0.001, 0.01, 0.1, 1],
}
gs = GridSearchCV(pipe, param, cv=5, scoring="f1")
gs.fit(Xtr, ytr)
print(gs.best_params_)

Praktiska tips

SVM-modeller fungerar bäst på små till medelstora datamängder med tydliga marginaler. De har svårt för mycket stora datamängder (använd LinearSVC eller byt till boosting). Skala alltid features, finjustera C och gamma och använd class_weight vid obalanserade klasser.

Snabbtest

Testa era kunskaper om SVM i sklearn.

Besvara frågan i den interaktiva lektionen

Sammanfattning

Sammanfattning: Använd SVC med kernel, C och gamma för icke-linjär klassificering, alltid i en pipeline för skalning. Byt till LinearSVC för stora datamängder eller textdata. Hantera obalanserade klasser med class_weight="balanced" och finjustera C och gamma tillsammans med GridSearchCV.

Gratis att börja

Lär dig Python med en AI-lärare – gratis

Skriv och kör riktig kod i webbläsaren, få omedelbar hjälp av en AI-lärare dygnet runt och fortsätt där du slutade – på webben eller i appen.

Kurser: 53
Lektioner: 225

Börja lära dig gratis Visa hela kursen

Vanliga frågor

Är lektionen ”SVM för klassificering med sklearn” gratis?

Ja – du kan läsa vilka 3 lektioner som helst i lärvägen Lär Er AI med Python, inklusive ”SVM för klassificering med sklearn”, kostnadsfritt i sin helhet här på webben. Därefter låser CoddyKit PRO upp alla lektioner, plus interaktiv övning med en inbyggd kodredigerare och en AI-lärare dygnet runt. Kursen i Lär Er AI med Python innehåller totalt 4 lektioner.

Vad lär jag mig i ”SVM för klassificering med sklearn”?

SVC, LinearSVC, kernelval, class_weight='balanced', probability=True. Ni övar på Lär Er AI med Python med praktisk kod som körs direkt i webbläsaren, medan en AI-handledare som är tillgänglig dygnet runt svarar på Era frågor under lektionen.

Behöver jag någon erfarenhet för att börja lära mig Lär Er AI med Python?

Du behöver inga förkunskaper. Utbildningen i Lär Er AI med Python på CoddyKit är upplagd för allt från nybörjare till avancerade elever, så att du kan börja här eller från början och gå fram i din egen takt. Detta är lektion 3 av 4.

Hur lång tid tar lektionen ”SVM för klassificering med sklearn”?

De flesta CoddyKit-lektioner tar cirka 5–10 minuter. Varje lektion är kort och interaktiv, så att du gör stadiga framsteg och kan fortsätta precis där du slutade – på webben eller i appen.

Kan jag skriva och köra kod i den här Lär Er AI med Python-lektionen?

Ja. Varje Lär Er AI med Python-lektion innehåller en inbyggd kodredigerare, så att du kan skriva och köra riktig kod direkt i webbläsaren och få omedelbar AI-feedback – utan lokal installation.

Alla lektioner i den här kursen

← Tillbaka till Lär Er AI med Python