svm多分类python

在Python中使用SVM进行多分类可以分为两种方法：一对多（OvA）和一对一（OvO）。

一对多（OvA）方法：将多分类问题转化为多个二分类问题，然后用SVM进行二分类。假设有N个类别，那么我们需要训练N个SVM分类器，每个分类器将一个类别作为正例，其它N-1个类别作为反例，然后进行预测时，选择最大的输出作为分类结果。

下面是一个使用OvA方法进行多分类的示例代码：

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

# 训练SVM分类器
svm = OneVsRestClassifier(SVC(kernel='linear', probability=True, random_state=0))
svm.fit(X, y)

# 预测结果
print(svm.predict(X))

一对一（OvO）方法：将多分类问题转化为多个二分类问题，但是每个分类器只关注两个类别，因此需要训练N*(N-1)/2个SVM分类器。在预测时，每个分类器都会对样本进行分类，最终选择得票最多的类别作为分类结果。

下面是一个使用OvO方法进行多分类的示例代码：

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

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

# 训练SVM分类器
svm = OneVsOneClassifier(LinearSVC(random_state=0))
svm.fit(X, y)

# 预测结果
print(svm.predict(X))

需要注意的是，使用OvO方法训练分类器的时间复杂度较高，因此只适用于类别较少的情况。而OvA方法则可以处理任意数量的类别。