1. 前言

转载请注明出处
文章中有一部分内容是个人理解，所以内容仅供参考
这里是官方说明文档传送门：sklearn.svm.SVR
本文可当做开发时的开发手册作为参考，建议收藏

2. 简介

SVR为Support Vector Regression的简写，顾名思义，其是基于支持向量的回归器
模型中的两个自由参数为C和epsilon，自由参数不能通过理论推测，可以通过实验、科研猜测和随机指定来设置，即自由参数的调节是个玄学，没有理论指导
SVR是基于libsvm实现的
SVR的拟合时间是和样本数量呈二次方指数关系，因此这一分类模型适用于样本较小的情况，如果样本量过大（>1W），建议使用其他回归模型，例如LinearSVR或者SGDRegressor

3. 语法

3.1 API形式

形式如下，里面的参数均为默认参数

SVR(*, kernel='rbf', degree=3, gamma='scale', coef0=0.0, tol=0.001, C=1.0, epsilon=0.1, shrinking=True,
 cache_size=200, verbose=False, max_iter=- 1)

3.2 参数说明

参数	名称	数据	作用
kernel	核函数	1. string类型 2. {‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’} 3. 默认值为’rbf’	1. 用来选择映射到高维线性可分的核函数 2. linear: 线性核函数；优点：简单、运算效率高；缺点：对线性不可分的数据集没有很好的效果 3. ploy: 多项式核函数；优点：可以拟合出复杂的分割超平面；缺点：有三个参数，调参困难，且当n过大时，模型拟合时间会很长； 4. rbf: 径向基函数通常定义为样本到数据中心之间径向距离（通常是欧氏距离）的单调函数（由于距离是径向同性的）；相较于多项式核，具有参数少的优点 5. sigmoid：Logistic函数也称为S型生长曲线，优点：平滑 6. precomputed：预训练好的核函数对应的Gram 矩阵优点：不用再次拟合核函数对应的Gram 矩阵，直接进行映射就可以了
degree	多项式核函数的维度	1. int类型，默认值为3	1. 只有在使用多项式核函数的时候才有用，使用其他核函数自动忽略此参数 2. 用来确定多项式核函数的维度，即n的值
gamma	‘rbf’, ‘poly’ 和‘sigmoid’ 核函数的系数	1. string类型，默认值为‘scale’ 2. {‘auto’, ‘scale’}	1. auto: gamma = 1 / n_features 2. scale: gamma = 1 / (n_features * X.var()) 3. 只作用于 rbf， poly，sigmoid 三个核函数
coef0	常数项	1. float类型，默认值为0	1. 只作用于poly 和 sigmoid 核函数 2. 作用相当于是对核函数映射的结果进行一个移位操作
tol	停止拟合容忍度	1. float类型，默认值为1e-3 即为0.001	1. 定义模型停止拟合的误差值
C	正则化系数	1. float类型，默认值为1.0	1. 正则化的强度与C的大小成反比，且必须为正。 2. 主要是用来防止模型过拟合 3. C值越大，对模型的惩罚越高，泛化能力越弱（过拟合） 4. 反之，C值越小，对模型的惩罚越低，泛化能力越强（欠拟合）
epsilon	希腊字母 $\epsilon$	1. float类型，默认值：0.1	1. 用来定义模型对于错误分类的容忍度，即错误分类而不受到惩罚 2. $\epsilon$ 的值越大，模型允许错误分类的容忍度越高，反之，容忍度越小 3. 支持向量的个数对 $\epsilon$ 的大小敏感，即 $\epsilon$ 的值越大，支持向量的个数越少，反之，支持向量的个数越多 4. 也可以理解为 $\epsilon$ 的值越小，模型越过拟合，反之，越大越欠拟合
shrinking	启用启发式收缩	1. bool类型，默认为True	1. 是否采用启发式收缩，当迭代次数过大时，启用启发式收缩可以缩短训练时间，然而如果我们对停止迭代容忍度较高时（tol参数来反映），不用启发式收缩可能会更快一些
cache_size	核缓存大小	1. float类型，默认值为200（MB）	1. 指定模型在训练时，能占用的最大RAM空间（PS. 经过实验，当大小设置超过2000MB时，训练时长反而会增加，这应该是一个BUG），在2000MB以内，不超过其所需最大内存，则不会降低训练速度，也不会增加。 2. 所以训练多采用的数据集维度越高，条数越高，当所需内存超出了，我们可以通过调整cache_size 的大小来加快模型拟合
verbose	启用详细输出	1. bool类型，默认值：False	1. 该参数表示日志是否启用详细输出，会输出iter次数，nSV等参数的值 2. 如果启用，可能会导致无法进行多线程工作，降低拟合速率
max_iter	最大迭代次数	1. int类型，默认值: -1	1. 硬性设置最大迭代次数，不管模型是否拟合完成，即不关心误差值(tol参数) 2. 设置-1的话，意味着不限制迭代次数，即按照误差值来停止模型拟合

3.3 属性说明

属性	名称	数据	作用
class_weight	各类权重	1. ndarray，一维数组，(n_classes, )	1. 用来获取模型对各个类别设置的权重，与参数中的class_weight相关
coef_	特征权重向量	1. ndarray，二维数组，(n_classes * (n_classes - 1) / 2, n_features)	1. 获取特征权重向量 2. 当核函数为linear时，才可以调用这一属性
dual_coef_	对偶系数	1. ndarray，二维数组，(n_classes -1, n_SV)	1. decision_funciton 中的支持向量的对偶系数 2. n_SV 为支持向量的个数 3. 所有 ovo 分类器的系数
fit_status_	拟合状态	1. int类型	1. 拟合成功0，否则为1，进行告警
intercept_	决策函数常量	1. ndarray，一维数组， (n_classes * (n_classes - 1) / 2, )	1. decision_funciton 中的常量
n_features_in_	特征数量	1. int类型	1. 拟合过程中使用到的特征数量
feature_names_in_	特征名称	1. ndarray，一维数组，(n_features_in_,)	1. 获取拟合时特征的名称
n_support_	每类的支持向量数	1. ndarray，一维数组，(n_classes,), dtype=int32	1. 获取每种类别的支持向量数
shape_fit_	数组维数	1.元组，(n_dimensions_of_X,)	1.训练向量X的数组维数
support_	支持向量索引	1. ndarray，一维数组， (n_SV，)	1. 获取模型拟合后获得的所有支持向量的索引
support_vectors_	支持向量	1. ndarray，二维数组，(n_SV, n_features)	1. 获取所有的支持向量

4. 方法说明

4.1 fit(X, y, sample_weight=None)

1. 描述： 用训练数据拟合模型
2. 参数： X: 训练数据; y: 训练数据标签； sample_weight: 每个样本的权重，(n_samples,)
3. 返回值： 自身，拟合好的模型
4. 注意： 无

4.2 get_params(deep=True)

1. 描述： 获取模型的所有参数
2. 参数： 如果为真，则将返回此模型和作为模型的所包含子对象的参数
3. 返回值： 字典类型，所有的参数
4. 注意： 无

4.3 predict(X)

1. 描述： 用拟合好的模型对所有样本X进行预测
2. 参数： 所有预测样本，二维数组（n_samples, n_features)
3. 返回值： 所有预测 X的预测标签，一维数组，(n_sample, )
4. 注意： 无

4.4 score(X, y, sample_weight=None)

1. 描述： 返回给定测试数据上的平均准确度
2. 参数： X: 训练数据; y: 训练数据标签； sample_weight: 每个样本的权重，(n_samples,)
3. 返回值： $R^2$
4. 注意： $R^2$ 被定义为 $1 ? u / v$ , $u$ 是 $\sum_{i=1}^n(y - \hat{y})^2$ 的残差和， $v$ 是 $\sum_{i=1}^n{(y-y.mean())^2}$ 的平方和， $R^2$ 的值越大证明模型性能越好，最大为1，其值也可以为负，意味着模型性能更差，且无最小值