时间戳

首页 > 解决方案 > 如何用 SVM 处理多类分类？

machine-learning - 如何用 SVM 处理多类分类？

问题描述

我不明白如何使用 SVM 处理多类分类。我在互联网上找到的所有方法都是一对一的方法，仅用于二进制分类。但是，我的目标是例如：

print(target)

输出：

[ 0  0  0 ... 9 9 9]

那么，如何正确处理 SVM 呢？我刚刚像那些例子一样构建了模型。但是，在我看来，这不是多标签分类的正确方法。请指导我。如果 SVM 根本不是一个好的选择，请建议我在随机森林、决策树、K 最近邻等中哪一个会好（并且像下面的示例一样易于实现）（除了我有的 NN 和 CNN已经在我的数据集中用这两种算法实现了，我只需要一种算法来比较我的结果）。到目前为止，我的编码：

X_train, X_test, y_train, y_test = train_test_split(data, target, test_size=0.2, random_state=42)

from sklearn.svm import SVC
model_svm = SVC(kernel='linear')
clf_svm = model_svm.fit(X_train,y_train)
y_svm = model_svm.predict(X_test)

from sklearn.metrics import accuracy_score
print('Accuracy of SVM: ', accuracy_score(y_svm, y_test))

标签： machine-learningsvm

解决方案

您使用了线性内核，这仅适用于线性边界：

model_svm = SVC(kernel='linear')

尝试使用，rbf它可以用于大多数非线性边界并且非常有效。

model_svm = SVC(kernel='rbf')

参考：https ://scikit-learn.org/stable/auto_examples/svm/plot_svm_kernels.html

推荐阅读