Numpy 为什么支持向量机中的支持向量个数不变？

我是ScikitLearnLib的新手。我正在使用SVM双类进行模式分类。 我的数据集包含1000个样本（500个按类），但feautres数非常高（3000个）

我将数据集分为3部分：列车集800个样本，有效集100个样本，测试集100个样本

我正在使用以下代码：

class1=numpy.genfromtxt("class1.csv",delimiter=',');
class2=numpy.genfromtxt("class2.csv",delimiter=',');

trainset=numpy.concatenate((class1[0:400,:],class2[0:400,:]));
validset=numpy.concatenate((class1[400:450,:],class2[400:450,:]))
testset=numpy.concatenate((class1[450:500,:],class2[450:500,:]))

targettrain=numpy.reshape(numpy.concatenate((numpy.ones((1,400)),numpy.ones((1,400))*2)),(800,));
targetvalid=numpy.reshape(numpy.concatenate((numpy.ones((1,50)),numpy.ones((1,50))*2)),(100,));
targettest=numpy.reshape(numpy.concatenate((numpy.ones((1,50)),numpy.ones((1,50))*2)),(100,));

clf=SVC();
clf.fit(trainset,targettrain);

SVC(C=1,cache_size=200, class_weight=None,coef0=0.0,decision_function_shape=None,degree=3,gamma=.1,kernel='rbf',
            max_iter=-1,probability=False,random_state=None,shrinking=True,tol=0.001,verbose=False);

print clf.score(validset,targetvalid)

print clf.n_support_

这是我的数据 我注意到，即使我改变gamma或C，向量支持的数量也不会改变。 支持向量总是[270 268]。

---

这是什么意思？这是一个诅咒维度的问题吗？我读到支持向量机甚至可以处理高维数据

在这一行中：

SVC(C=1,cache_size=200, class_weight=None,coef0=0.0,decision_function_shape=None,
    degree=3,gamma=.1,kernel='rbf',max_iter=-1,probability=False,random_state=None,
    shrinking=True,tol=0.001,verbose=False);

您正在尝试为已实例化的

clf

分类器设置参数。然而，这实际上是创建一个新的

SVC

实例，它不绑定到任何变量名。因此，该行对

clf

的行为没有影响

第二个问题是，在对训练数据调用

.fit

后，您试图更改参数，这实际上没有任何意义

相反，您应该在第一次实例化

clf

时传递所需的参数集：

clf = SVC(C=1,cache_size=200, class_weight=None,coef0=0.0,
          decision_function_shape=None,degree=3,gamma=.1,kernel='rbf',max_iter=-1,
          probability=False,random_state=None,shrinking=True,tol=0.001,
          verbose=False);

clf.fit(trainset,targettrain)   # etc.

---

在这一行中看起来：

SVC(C=1,cache_size=200, class_weight=None,coef0=0.0,decision_function_shape=None,
    degree=3,gamma=.1,kernel='rbf',max_iter=-1,probability=False,random_state=None,
    shrinking=True,tol=0.001,verbose=False);

您正在尝试为已实例化的

clf

分类器设置参数。然而，这实际上是创建一个新的

SVC

实例，它不绑定到任何变量名。因此，该行对

clf

的行为没有影响

第二个问题是，在对训练数据调用

.fit

后，您试图更改参数，这实际上没有任何意义

相反，您应该在第一次实例化

clf

时传递所需的参数集：

clf = SVC(C=1,cache_size=200, class_weight=None,coef0=0.0,
          decision_function_shape=None,degree=3,gamma=.1,kernel='rbf',max_iter=-1,
          probability=False,random_state=None,shrinking=True,tol=0.001,
          verbose=False);

clf.fit(trainset,targettrain)   # etc.

---

我无法使用您提供的数据重现此结果-更改

C

或

gamma

会导致支持向量的数量按预期变化。您能否准确地显示您是如何生成

列车组

和

目标列车

？@ali_m，我编辑了我的代码。我仍然无法用上面的确切代码重现您看到的内容。例如，如果我使用

clf=SVC（C=1）

（默认值）初始化，调用

clf.fit（trainset，targettrain）

后，我会看到

clf.n\u support==array（[270268]，dtype=int32）

。如果我用

clf=SVC（C=0.1）

初始化，我会看到

clf.n\u支持==array（[371367]，dtype=int32）

。同样，改变

gamma

也会改变支持向量的数量。您尝试过

C

和

gamma

的哪些值？也许你没有对它们进行足够的修改（尝试至少修改一个数量级）。@ali\m，我的代码设计不正确。在

SVC（C=1，cache\u size=200，class\u weight=None，coef0=0.0，decision\u function\u shape=None，degree=3，gamma=0.1，kernel='rbf'，max\u iter=-1，probability=False，random\u state=None，resking=True，tol=0.001，verbose=False）之后，我必须调用
clf.fit（trainset，targettrain）
我怀疑问题在于，您试图设置使用
SVC（C=1，cache_size=200，…）实例化的分类器的参数。。。，‌​冗长=错误），但这会创建一个不绑定到任何变量名的新分类器实例。您应该做的是使用所需参数初始化
clf
，例如
clf=SVC（C=1，cache_size=200。。。，‌​冗长=错误）。此外，在将分类器安装到训练集之后再尝试更改参数也没有任何意义。我无法使用您提供的数据重现此情况-更改
C
或
gamma
会导致支持向量的数量按预期变化。您能否准确地显示您是如何生成
列车组
和
目标列车
？@ali_m，我编辑了我的代码。我仍然无法用上面的确切代码重现您看到的内容。例如，如果我使用
clf=SVC（C=1）
（默认值）初始化，调用
clf.fit（trainset，targettrain）
后，我会看到
clf.n\u support==array（[270268]，dtype=int32）
。如果我用
clf=SVC（C=0.1）
初始化，我会看到
clf.n\u支持==array（[371367]，dtype=int32）
。同样，改变
gamma
也会改变支持向量的数量。您尝试过
C
和
gamma
的哪些值？也许你没有对它们进行足够的修改（尝试至少修改一个数量级）。@ali\m，我的代码设计不正确。在
SVC（C=1，cache\u size=200，class\u weight=None，coef0=0.0，decision\u function\u shape=None，degree=3，gamma=0.1，kernel='rbf'，max\u iter=-1，probability=False，random\u state=None，resking=True，tol=0.001，verbose=False）之后，我必须调用
clf.fit（trainset，targettrain）
我怀疑问题在于，您试图设置使用
SVC（C=1，cache_size=200，…）实例化的分类器的参数。。。，‌​冗长=错误），但这会创建一个不绑定到任何变量名的新分类器实例。您应该做的是使用所需参数初始化
clf
，例如
clf=SVC（C=1，cache_size=200。。。，‌​冗长=错误）。此外，在将分类器安装到训练集之后尝试更改参数也没有任何意义。