支持向量机超参数优化代码
时间: 2023-09-14 19:05:04 浏览: 37
以下是支持向量机(SVM)超参数优化的代码示例。我们将使用Grid Search方法来搜索最佳超参数组合。
```python
from sklearn import svm, datasets
from sklearn.model_selection import GridSearchCV, train_test_split
# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target
# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)
# 定义SVM模型
svm_model = svm.SVC()
# 定义超参数范围
parameters = {'kernel': ('linear', 'rbf'), 'C': [1, 10]}
# 使用Grid Search进行超参数优化
clf = GridSearchCV(svm_model, parameters)
clf.fit(X_train, y_train)
# 输出最佳超参数组合和对应的准确率
print("Best parameters:", clf.best_params_)
print("Accuracy:", clf.best_score_)
```
在上面的示例中,我们首先加载Iris数据集并将其拆分为训练集和测试集。然后,我们定义了一个SVM模型,并指定了要优化的超参数范围。最后,我们使用Grid Search进行超参数优化,并输出最佳超参数组合和对应的准确率。
请注意,这只是一个示例。在实际应用中,您需要根据您的数据集和问题定义适当的超参数范围,并使用交叉验证等技术来评估模型的性能。