SVM简单回顾

支持向量机（SVM）方法建立在统计学VC维和结构风险最小化原则上，试图寻找到一个具有最大分类间隔的超平面，支持向量（Support Vector）是支持向量机训练的结果，在进行分类或者回归时也只依赖支持向量。因此SVM具有良好的鲁棒性，对未知数据拥有很强的泛化能力，特别是在数据量较少的情况下，相较其他传统机器学习算法具有更优的性能。
对于样本数据线性不可分的情况，通常采用核方法，将原始空间中的样本数据映射到一个更高维的特征空间，在该高维空间中样本数据线性可分。常用的核函数有线性核函数（Linear Kernel）、多项式核函数（Polynomial Kernel）、高斯核函数（RBF Kernel）和Sigmoid核函数（Sigmoid Kernel）。

使用SVM作为模型时，通常采用如下流程：

1. 对样本数据进行归一化
2. 应用核函数对样本进行映射
3. 用cross-validation和grid-search对超参数进行优选
4. 用最优参数训练得到模型
5. 测试

在第二步中最长采用和核函数是RBF核函数和线性核函数，在样本线性可分时，线性核函数效果要比RBF核函数好，有如下指导规则：

1. 如果Feature的数量很大，甚至和样本数量差不多时，往往线性可分，这时选用LR或者线性核SVM；
2. 如果Feature的数量很小，样本数量正常，不算多也不算少，这时选用RBF核SVM；
3. 如果Feature的数量很小，而样本的数量很大，这时手动添加一些Feature，使得线性可分，然后选用LR或者线性核SVM。

Libsvm参数

Libsvm是一个简单的、容易使用的、高效的实现了SVM分类和回归的工具包。Libsvm可以从该链接获取。
当使用svm-train时，主要涉及以下参数：
-s svm_type : set type of SVM (default 0)
 0 – C-SVC (multi-class classification)
 1 – nu-SVC (multi-class classification)
 2 – one-class SVM
 3 – epsilon-SVR (regression)
 4 – nu-SVR (regression)

-t kernel_type : set type of kernel function (default 2)
 0 – linear: u’v
 1 – polynomial: (gammau’v + coef0)^degree
 2 – radial basis function: exp(-gamma|u-v|^2)
 3 – sigmoid: tanh(gamma*u’*v + coef0)

-d degree : set degree in kernel function (default 3)，设置多项式核的degree值
-g gamma : set gamma in kernel function (default 1/num_features)，多项式/RBF/Sigmoid核的gamma值
-r coef0 : set coef0 in kernel function (default 0)，设置多项式/Sigmoid核的coef0值
-c cost : set the parameter C of C-SVC, epsilon-SVR, and nu-SVR (default 1)，设置惩罚函数的力度
-n nu : set the parameter nu of nu-SVC, one-class SVM, and nu-SVR (default 0.5)，设置nu-SVC/one-class SVM/nu-SVR的nu值
-p epsilon : set the epsilon in loss function of epsilon-SVR (default 0.1)，设置epsilon-SVR的损失函数中epsilon值
-m cachesize : set cache memory size in MB (default 100)，设置cache内存的大小，单位MB
-e epsilon : set tolerance of termination criterion (default 0.001)，设置终止的判据
-h shrinking : whether to use the shrinking heuristics, 0 or 1 (default 1)，是否允许使用启发式
-b probability_estimates : whether to train a SVC or SVR model for probability estimates, 0 or 1 (default 0)，是否进行概率估计
-wi weight : set the parameter C of class i to weightC, for C-SVC (default 1)，设置C-SVC中第i类的参数C为weightC
-v n: n-fold cross validation mode，设置交叉检验
-q : quiet mode (no outputs)

对于RBF核函数，其中比较重要的参数有c，g。其中c表示对误差的惩罚程度，c越大，表示对误差的惩罚程度越大，模型对样本数据的学习更精确，也因此容易过拟合；反之，c越小，对误差的惩罚程度越小，可能欠拟合。g对应RBF核中的gamma值，gamma越大，$\sigma$越小，使得高斯分布又高又瘦，造成模型只能作用于支持向量附近，也就是过拟合；反之，gamma越小，$\sigma$越大，高斯分布会过于平滑，在训练集上分类效果不佳，也就是欠拟合。
最佳c，g组合的确定可以采用最简单的网格搜索方法，sklearn中提供了相应的方法GridSearchCV：

class sklearn.model_selection.GridSearchCV(estimator, param_grid, scoring=None, fit_params=None, n_jobs=1, iid=True, refit=True, cv=None, verbose=0, pre_dispatch='2*n_jobs', error_score='raise', return_train_score=True)

比较重要的参数有：
estimator：使用的模型
param_grid：参数列表，如下展示了分别使用RBF核函数与线性核函数时参数选择

parameters = [
	{
		'C': [1, 3, 5, 7, 9, 11, 13, 15, 17, 19],
	    'gamma': [0.00001, 0.0001, 0.001, 0.1, 1, 10, 100, 1000],
	    'kernel': ['rbf']
	}，
	{
		'C': [1, 3, 5, 7, 9, 11, 13, 15, 17, 19],
	    'kernel': ['linear']
	}
]

scoring：评价指标，默认采用estimator的score函数
cv：交叉验证参数，默认为3，使用3折交叉验证
n_jobs：并行数

之后调用GridSearchCV对象的fit()方法在训练数据集上运行网格搜索，选出最优参数，然后在测试集上测试模型。GridSearchCV对象还包括如下常用属性：
grid.scores：给出不同参数组合下的评价结果
grid.best_params_：最佳结果的参数组合
grid.best_score_：最佳评价得分
grid.best_estimator_：最佳模型
完整的例子如下：

from sklearn.svm import SVC
from sklearn.model_selection import GridSearchCV

svc = SVC()
parameters = [
	{
		'C': [1, 3, 5, 7, 9, 11, 13, 15, 17, 19],
	    'gamma': [0.00001, 0.0001, 0.001, 0.1, 1, 10, 100, 1000],
	    'kernel': ['rbf']
	}，
	{
		'C': [1, 3, 5, 7, 9, 11, 13, 15, 17, 19],
	    'kernel': ['linear']
	}
]
clf = GridSearchCV(svc, parameters, cv=5, n_jobs=8)
clf.fit(train_data, train_data_tag)
print(clf.best_params_)
best_model = clf.best_estimator_
best_model.predict(test_data)

当然随着数据量的增大，GridSearchCV的效率将变得非常低，可以采用一些其他更加高级的调优方法。