鸢尾花分类svm.SVC 正确率最高参数设置

鸢尾花分类任务中，SVM分类器的最优参数设置可以通过网格搜索(Grid Search)来确定。对于SVC分类器，有几个关键的参数需要设置，包括C、kernel、gamma等。

其中，C是惩罚系数，决定了分类器对误分类样本的惩罚程度。kernel是核函数的类型，常用的有线性核、多项式核和高斯核等。gamma是核函数的系数，控制了核函数的宽度。

以下是一个例子，展示如何使用Grid Search来寻找最优的SVC参数设置：

from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

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

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 定义参数范围
param_grid = {'C': [0.1, 1, 10, 100], 'kernel': ['linear', 'poly', 'rbf', 'sigmoid'], 'gamma': ['scale', 'auto']}

# 定义SVC分类器
svc = SVC()

# 使用Grid Search进行参数调优
grid_search = GridSearchCV(svc, param_grid, cv=5)
grid_search.fit(X_train, y_train)

# 输出最优参数设置和在测试集上的分类准确率
print("Best parameters: {}".format(grid_search.best_params_))
print("Best cross-validation score: {:.2f}".format(grid_search.best_score_))
print("Test set accuracy: {:.2f}".format(grid_search.score(X_test, y_test)))

上述代码中，我们使用了GridSearchCV函数来进行网格搜索。其中，param_grid参数指定了需要搜索的参数范围，cv参数指定了交叉验证的折数。在搜索完成后，我们可以输出最优参数设置和在测试集上的分类准确率。