python svm多分类

在Python中使用SVM进行多分类有几种方法，下面介绍其中两种常用的方法。

方法一：一对多(OvR)

在这个方法中，我们将每个类别看作一个二元分类问题。对于每个类别，我们训练一个SVM分类器，将该类别与其他类别分开。这样，我们就有了k个SVM分类器，其中k是类别的数量。在测试时，我们将输入向量传递给所有的SVM分类器，然后选择具有最高置信度分数的类别。

以下是使用scikit-learn库实现OvR多分类SVM的示例代码：

from sklearn import datasets
from sklearn.multiclass import OneVsRestClassifier
from sklearn.svm import SVC

# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 创建分类器
clf = OneVsRestClassifier(SVC(kernel='linear'))

# 训练模型
clf.fit(X, y)

# 预测新样本
new_sample = [[5.0, 3.6, 1.3, 0.25]]
print(clf.predict(new_sample))

方法二：一对一(OvO)

在这个方法中，我们将每个类别两两组合，得到k(k-1)/2个二元分类问题。对于每个问题，我们训练一个SVM分类器，将这两个类别分开。这样，我们就有了k(k-1)/2个SVM分类器。在测试时，我们将输入向量传递给所有的SVM分类器，然后选择具有最多投票的类别。

以下是使用scikit-learn库实现OvO多分类SVM的示例代码：

from sklearn import datasets
from sklearn.multiclass import OneVsOneClassifier
from sklearn.svm import SVC

# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 创建分类器
clf = OneVsOneClassifier(SVC(kernel='linear'))

# 训练模型
clf.fit(X, y)

# 预测新样本
new_sample = [[5.0, 3.6, 1.3, 0.25]]
print(clf.predict(new_sample))

以上两种方法都可以用于多分类问题，但是在数据集较大时，OvO的时间复杂度要比OvR高。因此，在处理大型数据集时，OvR是更好的选择。