W jakich parametrach są SVC i LinearSVC w ekwiwalencie scikit-learn?

Question

Przeczytałem this thread o różnicy między SVC() i LinearSVC() w nauce scikit.

Teraz Mam zestaw danych binarnych problemu klasyfikacji (Dla takiego problemu, różnica strategia jeden-do-jeden/jedna do odpoczynku między obu funkcji może być zignorować.)

chcę spróbować pod jakimi parametrami te 2 funkcje dawałyby ten sam rezultat. Po pierwsze, oczywiście powinniśmy ustawić kernel='linear' dla Jednak po prostu nie mogłem uzyskać tego samego wyniku z obu funkcji. Nie mogłem znaleźć odpowiedzi z dokumentów, czy ktoś mógłby mi pomóc znaleźć odpowiedni zestaw parametrów, którego szukam?

Aktualizacja: I zmodyfikowane następujący kod z przykładu stronie scikit-learn, i najwyraźniej nie są takie same:

import numpy as np 
import matplotlib.pyplot as plt 
from sklearn import svm, datasets 

# import some data to play with 
iris = datasets.load_iris() 
X = iris.data[:, :2] # we only take the first two features. We could 
         # avoid this ugly slicing by using a two-dim dataset 
y = iris.target 

for i in range(len(y)): 
    if (y[i]==2): 
     y[i] = 1 

h = .02 # step size in the mesh 

# we create an instance of SVM and fit out data. We do not scale our 
# data since we want to plot the support vectors 
C = 1.0 # SVM regularization parameter 
svc = svm.SVC(kernel='linear', C=C).fit(X, y) 
lin_svc = svm.LinearSVC(C=C, dual = True, loss = 'hinge').fit(X, y) 

# create a mesh to plot in 
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1 
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1 
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), 
        np.arange(y_min, y_max, h)) 

# title for the plots 
titles = ['SVC with linear kernel', 
      'LinearSVC (linear kernel)'] 

for i, clf in enumerate((svc, lin_svc)): 
    # Plot the decision boundary. For that, we will assign a color to each 
    # point in the mesh [x_min, m_max]x[y_min, y_max]. 
    plt.subplot(1, 2, i + 1) 
    plt.subplots_adjust(wspace=0.4, hspace=0.4) 

    Z = clf.predict(np.c_[xx.ravel(), yy.ravel()]) 

    # Put the result into a color plot 
    Z = Z.reshape(xx.shape) 
    plt.contourf(xx, yy, Z, cmap=plt.cm.Paired, alpha=0.8) 

    # Plot also the training points 
    plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Paired) 
    plt.xlabel('Sepal length') 
    plt.ylabel('Sepal width') 
    plt.xlim(xx.min(), xx.max()) 
    plt.ylim(yy.min(), yy.max()) 
    plt.xticks(()) 
    plt.yticks(()) 
    plt.title(titles[i]) 

plt.show() 

Wynik: Output Figure from previous code

Answer 1

W sensie matematycznym trzeba ustawić:

SVC(kernel='linear', **kwargs) # by default it uses RBF kernel 

i

LinearSVC(loss='hinge', **kwargs) # by default it uses squared hinge loss 

innego elementu, który nie może być łatwo ustalony wzrasta intercept_scaling w LinearSVC, jak w tym wykonaniu naprężenie jest uregulowana (co nie jest prawdą w SVC i nie powinny być tak w SVM - sposób nie jest SVM) - w związku z tym będą one nigdy być dokładnie równa (chyba błędu = 0 dla Twojego problemu), gdyż zakładamy dwa różne modele

• SVC: 1/2||w||^2 + C SUM xi_i
• LinearSVC: 1/2||[w b]||^2 + C SUM xi_i

Osobiście uważam LinearSVC jeden z błędów sklearn developesr - ta klasa jest po prostu nie liniowa SVM.

Po zwiększeniu skalowanie przechwycenia (do 10.0)

Jednakże, jeśli skala go zbyt dużo - to również nie, jak obecnie tolerancja i liczba iteracji są kluczowe.

Podsumowując: LinearSVC nie jest liniowym SVM, nie należy go używać, jeśli nie trzeba.