python第六天

今天继续cv和svm的用法和参数优化

感觉所有的回归器都有一个问题就在于数据的准备上，好像都要转换成该回归器可用的格式

然而并不是。。我猜是要设置svm或者decisiontree的参数 如果比如说 你把 clv  = svm.SVR() 再用clv.fit就不会有啥问题，因为前面的参数都是默认的

但如果用svm.SVR.fit就会出错，要设置SVR里面的参数，但是默参数效果很差

我觉得可能还是要改变里面的参数那么用什么参数呢。这就涉及到寻參的问题了

要是真的要理解算法 可能需要自己模仿代码 然后自己编代码。。

寻參的方法可能是gridsearch用来寻找c和g的值

那么c和g究竟是干什么的？c是svm自带的一个参数，也就是惩罚参数，我猜在c越大时，对误差的容忍就越小，说明把误差都惩罚回来。

g是径向基自带的一个参数，在g越大是，径向基函数的半径就越大.exp就是求e的x次幂

k(x,y) = exp(-||x-y||^2/2sigma^2) coefficient是相关系数

这些公式我是否知道是怎么来的？

scikit-learn有个特征寻找，我觉得可以尝试一下。

特征选择：从大量的特征中选出少量的特征作为有效的特征。

常用的有四种方法：广度优先搜索，分支限界搜索，定向搜索，最优优先搜索（不限制优先队列的长度） 专业名词一个看不懂。。

还是用feature select 即特征选择来决定