分类模型的参数产生不同的结果

问题描述

我正在研究用于分类的 SVC 模型，每次更改参数值（svc__gamma、svc__kernel 和 svc__C）时，我都面临不同的准确度结果，我阅读了 Sklearn 的文档，但我无法理解这些参数是什么意思是，我有三个问题：

1. 这些参数表示什么？
2. 每次更改它对准确度的影响如何？
3. 什么是正确的参数值？

准确率的结果是 0.70，但是当我删除 svc__gamma 和 svc__C 时，结果增加到 0.76。

    pipe = make_pipeline(TfidfVectorizer(),SVC())
param_grid = {'svc__kernel': ['rbf','linear','poly'],'svc__gamma': [0.1,1,10,100],'svc__C': [0.1,100]}

svc_model = gridsearchcv(pipe,param_grid,cv=3)
svc_model.fit(X_train,Y_train)

prediction = svc_model.predict(X_test)
print(f"Accuracy score is {accuracy_score(Y_test,prediction):.2f}")
print(classification_report(Y_test,prediction))

解决方法

到 1。

• gamma 是高斯钟形曲线的一个参数，所以它应该只 影响 RBF（高斯核）
• C 是优化问题的参数，拉格朗日乘数的倒数

到。 2.

• 熟悉数学背景，以充分了解它们如何影响您的准确性（旁注：准确性通常不是可靠的衡量标准，但取决于上下文）

到 3。

• 没有“正确”的参数。它们取决于上下文、数据和您想要实现的目标。通常在算法在测试数据上的效果与它在新数据上的效果（过度拟合与欠拟合）之间存在权衡

我希望这有助于作为第一步:) 如需更多信息，我建议SVM。