机器学习实战：基于Scikit-Learn、Keras 和TensorFlow （原书第2 版）

152

｜

第

5

章

svm_reg = LinearSVR(epsilon=1.5)

svm_reg.fit(X, y)

要解决非线性回归任务，可以使用核化的 SVM 模型。例如，图 5-11 显示了在一个随机

二次训练集上使用二阶多项式核的 SVM 回归。左图几乎没有正则化（C 值很大），右图

则过度正则化（C 值很小）。

图 5-11：使用二阶多项式核的 SVM 回归

以下代码使用 Scikit-Learn 的 SVR 类（支持核技巧）生成如图 5-11 左图所示的模型：

from sklearn.svm import

SVR

svm_poly_reg = SVR(kernel="poly", degree=2, C=100, epsilon=0.1)

svm_poly_reg.fit(X, y)

SVR 类是 SVC 类的回归等价物，LinearSVR 类也是 LinearSVC 类的回归等价物。

LinearSVR 与训练集的大小线性相关（与 LinearSVC 一样），而 SVR 则在训练集变

大时，变得很慢（SVC 也一样）。

SVM 也可用于异常值检测，详细信息请参考 Scikit-Learn 文档。

5.4 工作原理

本节将会介绍 SVM 如何进行预测，以及它们的训练算法是如何工作的，从线性 SVM 分

类器开始。如果你刚刚开始接触机器学习，可以安全地跳过本节，直接进入本章末尾的

练习，等到想要更深入地了解 SVM 时再回来也不迟。

首先，说明一下符号。在第 4 章里，我们使用过一个约定，将所有模型参数放在一个向 ...