Scikit learn sklearn:评估线性SVC';s AUC
我知道可以通过将Scikit learn sklearn:评估线性SVC';s AUC,scikit-learn,svm,libsvm,liblinear,Scikit Learn,Svm,Libsvm,Liblinear,我知道可以通过将probability=True选项传递到构造函数中,让svm预测概率来评估sklearn.svm.SVC的AUC,但我不确定如何评估sklearn.svm.LinearSVC的AUC。有人知道怎么做吗 我想使用LinearSVC而不是SVC,因为LinearSVC似乎可以更快地训练具有许多属性的数据。看起来这是不可能的。 您可以使用CalibredClassifiedRCV类来提取概率。这是一个例子 from sklearn.svm import LinearSVC from
probability=True
选项传递到构造函数中,让svm预测概率来评估sklearn.svm.SVC
的AUC,但我不确定如何评估sklearn.svm.LinearSVC
的AUC。有人知道怎么做吗
我想使用
LinearSVC
而不是SVC
,因为LinearSVC
似乎可以更快地训练具有许多属性的数据。看起来这是不可能的。
您可以使用CalibredClassifiedRCV类来提取概率。这是一个例子
from sklearn.svm import LinearSVC
from sklearn.calibration import CalibratedClassifierCV
from sklearn import datasets
#Load iris dataset
iris = datasets.load_iris()
X = iris.data[:, :2] # Using only two features
y = iris.target #3 classes: 0, 1, 2
linear_svc = LinearSVC() #The base estimator
# This is the calibrated classifier which can give probabilistic classifier
calibrated_svc = CalibratedClassifierCV(linear_svc,
method='sigmoid', #sigmoid will use Platt's scaling. Refer to documentation for other methods.
cv=3)
calibrated_svc.fit(X, y)
# predict
prediction_data = [[2.3, 5],
[4, 7]]
predicted_probs = calibrated_svc.predict_proba(prediction_data) #important to use predict_proba
print predicted_probs