Python SVM SCIKIT学习的标准化或标准化数据输入
正如主题所说,我在正常化和 scikitlearn中支持向量机回归数据集的标准化 我的问题是:Python SVM SCIKIT学习的标准化或标准化数据输入,python,scikit-learn,svm,Python,Scikit Learn,Svm,正如主题所说,我在正常化和 scikitlearn中支持向量机回归数据集的标准化 我的问题是: 当我想搜索SVM的参数时(C和gamma 例如)我使用以下代码: param_grid = [ {'C': [1, 10, 100, 1000], 'kernel': ['linear']}, {'C': [1, 10, 100, 1000], 'gamma': [0.001, 0.0001], 'kernel': ['rbf']}, ] svr = svm.SVC() clf = gri
C
和gamma
例如)我使用以下代码:
param_grid = [
{'C': [1, 10, 100, 1000], 'kernel': ['linear']},
{'C': [1, 10, 100, 1000], 'gamma': [0.001, 0.0001], 'kernel': ['rbf']},
]
svr = svm.SVC()
clf = grid_search.GridSearchCV(svr, param_grid)
clf.fit(X_train,TargetT)
我是否应该标准化fit
功能中的X\u列
和TargetT
向量
X\u列
包含介于-1和1之间的值,TargetT
是0的向量
平均值不等于0,标准值不等于1预处理.StandardScaler()
函数
InputTraining
和InputValidation
数据集,但当我检查
每个特征的平均值I的值不等于0(平均值
订单号为e-14),std约为1.00000985。是吗
正常还是我做错了什么?我想用天平
数据集作为SVM的输入,代码如下:
scalerI = preprocessing.StandardScaler()
X_train = scalerI.fit_transform(InputT)
X_test = scalerI.transform(InputCross)
svr = SVR(kernel='rbf', epsilon=0.01, C=100, gamma = 0.01)
y_rbf = svr.fit(X_train,TargetT)
y_hat=svr.predict(X_test)
X\u train
需要标准化,而不是目标变量,该变量应该是分类任务的整数值(例如二进制分类的0和1数组)或字符串标签(例如'spam'
vs'ham'
)。对于回归任务(预测连续变量,如以摄氏度为单位的温度或以美元为单位的价格),它有时有助于标准化目标,但这通常不如标准化输入特性那样有用from sklearn.pipeline import make_pipeline
pipeline = make_pipeline(
preprocessing.StandardScaler(),
SVR(kernel='rbf', epsilon=0.01, C=100, gamma = 0.01),
)
pipeline.fit(X_train, TargetT)
y_hat = pipeline.predict(X_test)
要网格搜索这样一个管道的内部模型的参数,您必须使用小写版本的类名作为前缀:例如
'svr\uu C'
,'svr\uu gamma'
和'svr\uu epsilon'
好的,谢谢!关于第二点,我认为由于它们足够接近0和1,它们仍然可以作为SVM的输入,但我不完全确定。谢谢你的建议