支持向量机

组件介绍

**“支持向量机”（SVM）**控件支持构建支持向量机模型。可用于分类任务或回归任务。

支持向量机（Support Vector Machine，简称 SVM）是一种机器学习基础算法，它使用超平面分割属性空间，从而最大化不同类别或类别值的实例之间的边界。该技术经常产生超高的预测性能结果。对于回归任务，SVM 使用 ε 不敏感损失在高维特征空间中执行线性回归。其估计精度取决于 C，ε 和内核参数的设置。

---

• 输入：
  • data：数据集
  • pre: 预处理方法
• 输出：
  • lrn: 在交互页面中配置参数后的支持向量机学习算法
  • mod: 已训练的模型（仅当输入端data存在时，才会有输出信息）
  • sv：来自训练集的数据实例的子集，被用作训练模型中的支持向量

---

页面介绍

点击**“支持向量机”（SVM）**控件查看参数配置页面，如下图所示：

参数选项

	选项	说明	取值范围	样例值
	模型名称	设置模型名称，用于在其他组件中区分不同的模型	非空字符串	SVM
SVM类型	SVM	代价（C）：损失函数的惩罚因子，适用于分类和回归任务 回归损失（ε）：该参数适用于回归任务，定义与预测值无关的真值的距离	代价（C）：0.01500 回归损失（ε）：0.01500	代价（C）：1 回归损失（ε）：0.1
	v-SVM	回归代价（C）：损失函数的惩罚因子，仅适用于回归任务 复杂度上界（v）：该参数适用于分类和回归任务，训练误差的上界和支持向量的下界	回归代价（C）：0.01500 复杂度上界（v）：0.011	回归代价（C）：1 复杂度上界（v）：0.5
核函数类型	线性内核（Linear）	指定内核的函数会涉及以下常量：   g：核函数中的 gamma 常量（推荐值为 1/k，其中 k 是属性的数量，但由于可能没有为组件提供训练集，因此默认值为 0，用户必须手动设置此选项）   c：内核函数中的常量 c0，默认值为 0   d：内核的程度，默认值为3	g：010 c：010 d：0~10	g：0 c：0 d：3
	多项式内核（Poly）
	径向基内核（RBF）
	sigmoid核
优化参数	数值容差	设置允许的偏差	0.0001~1	0.001
	迭代限制	设置允许的最大迭代次数	5~100000	100

SVC详细参数说明

SVR详细参数说明

LinearSVC详细参数说明

LinearSVR详细参数说明

NuSVC详细参数说明

NuSVR详细参数说明

使用案例

在下图所示的案例中，使用**“加载文件”（File）控件加载数据集，连接“支持向量机”（SVM）控件构建模型，之后把“加载文件”（File）控件以及“支持向量机”（SVM）控件与“预测”（Predictions）**控件连接起来查看基于已经构建的 SVM 模型对输入数据进行预测的结果。

案例中加载 iris 数据集，对于**“支持向量机”（SVM）**控件的配置，设置名称为 SVM，选择 v-SVM 类型，内核函数选择 Sigmoid 核，其他使用默认参数。案例中控件的配置及运行结果如下图所示。