web-dev-qa-db-ja.com

scikit-learnのSVCとLinearSVCはどのパラメーターで同等ですか？

Scikit-learnのSVC()とLinearSVC()の違いについて このスレッド を読みました。

これで、二項分類問題のデータセットができました（このような問題の場合、両方の関数間の1対1/1対レストの戦略の違いは無視できます）。

これらの2つの関数で同じ結果が得られるパラメーターを試してみたいと思います。まず、もちろん、SVC()にkernel='linear'を設定する必要がありますが、両方の関数から同じ結果を得ることができませんでした。ドキュメントから答えを見つけることができませんでした。誰かが私が探している同等のパラメータセットを見つけるのを手伝ってくれませんか？

更新：scikit-learn Webサイトの例から次のコードを変更しましたが、明らかに同じではありません。

import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm, datasets

# import some data to play with
iris = datasets.load_iris()
X = iris.data[:, :2]  # we only take the first two features. We could
                      # avoid this ugly slicing by using a two-dim dataset
y = iris.target

for i in range(len(y)):
    if (y[i]==2):
        y[i] = 1

h = .02  # step size in the mesh

# we create an instance of SVM and fit out data. We do not scale our
# data since we want to plot the support vectors
C = 1.0  # SVM regularization parameter
svc = svm.SVC(kernel='linear', C=C).fit(X, y)
lin_svc = svm.LinearSVC(C=C, dual = True, loss = 'hinge').fit(X, y)

# create a mesh to plot in
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, h),
                     np.arange(y_min, y_max, h))

# title for the plots
titles = ['SVC with linear kernel',
          'LinearSVC (linear kernel)']

for i, clf in enumerate((svc, lin_svc)):
    # Plot the decision boundary. For that, we will assign a color to each
    # point in the mesh [x_min, m_max]x[y_min, y_max].
    plt.subplot(1, 2, i + 1)
    plt.subplots_adjust(wspace=0.4, hspace=0.4)

    Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])

    # Put the result into a color plot
    Z = Z.reshape(xx.shape)
    plt.contourf(xx, yy, Z, cmap=plt.cm.Paired, alpha=0.8)

    # Plot also the training points
    plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Paired)
    plt.xlabel('Sepal length')
    plt.ylabel('Sepal width')
    plt.xlim(xx.min(), xx.max())
    plt.ylim(yy.min(), yy.max())
    plt.xticks(())
    plt.yticks(())
    plt.title(titles[i])

plt.show()

結果： 前のコードからの出力図

machine-learningscikit-learnsvmlibsvm
16
Sidney

数学的な意味では、次のように設定する必要があります。

SVC(kernel='linear', **kwargs) # by default it uses RBF kernel

そして

LinearSVC(loss='hinge', **kwargs) # by default it uses squared hinge loss

簡単に修正できないもう1つの要素は、LinearSVCのintercept_scalingを増やすことです。これは、この実装ではバイアスが正則化されているためです（これは、SVCでは当てはまらず、SVMでは当てはまらないはずです-したがってこれはSVMではありません）-その結果、決して完全に等しくなることはありません（バイアス= 0の場合を除く）あなたの問題）、彼らは2つの異なるモデルを想定しているので

  • SVC：1/2||w||^2 + C SUM xi_i
  • LinearSVC：1/2||[w b]||^2 + C SUM xi_i

個人的には、LinearSVCはsklearn開発者の間違いの1つだと思います-このクラスは単純に線形SVMではありません。

切片のスケーリングを増やした後（10.0に）

SVMs

ただし、スケールアップしすぎると、許容範囲と反復回数が重要になるため、失敗します。

要約すると：LinearSVCは線形SVMではないため、必要がない場合は使用しないでください。

27
lejlot