上一回有个读者问我:回归模型与分类模型的区别在哪?有什么不一样,我在这里给他回答一下 : : : : html
回归问题一般是用来预测一个值，如预测房价、将来的天气状况等等，例如一个产品的实际价格为500元，经过回归分析预测值为499元，咱们认为这是一个比较好的回归分析。
分类问题是用于将事物打上一个标签。分类有多个特征,一个标签 .例如判断一幅图片上的动物是一只猫仍是一只狗，分类一般是创建在回归之上，分类的最后一层一般要使用softmax函数进行判断其所属类别。分类并无逼近的概念，最终正确结果只有一个，错误的就是错误的，不会有相近的概念。
这篇的知识点: 1,支持向量机 2 置信度 3网格搜索 数组
支持向量机ide
支持向量机 : 是一种按照监督学习的方式对数据进行二元分类, SVM是（支持向量机) . 能够用来作分类和回归函数
SVC是SVM的一种Type，是用来的作分类的 SVR是SVM的另外一种Type，是用来的作回归的学习
SVM里有两个参数 C 和 gamma:
C是 C是惩罚系数,就是说你对偏差的宽容度,这个值越高，说明你越不能容忍出现偏差
gamma是 gamma是你选择径向基函数做为kernel后，该函数自带的一个参数。隐含地决定了数据映射到新的特征空间后的分布 spa
有人会问:径向基 是什么? 径向基又叫作 : 高斯核函数/他是一个核函数htm
classifier =SVC(kernel='rbf',probability=True) #此处是径向基核函数
classifier=SVC(kernel='linear') # 构建线性分类器
svc(分类) poly(多项式) rbf(径向基) linear(线性分类器)
置信度blog
置信度 可理解为: 类别几率值 //或者能够理解为可信度 //能够理解为一我的的信誉度为1,而这个1分为了80%和20%,你能够信他80%,这就叫作置信度图片
y_pred_proba =classifier.predict_proba(train_X) #获取预测数据的置信度置信度
##### predict_proba 是获取置信度
print(y_pred_proba ) #打印出这组参数的置信度get
网格搜索（Grid Search）
网格搜索（Grid Search）名字很是大气,可是用简答的话来讲就是你手动的给出一个模型中你想要改动的所用的参数，程序自动的帮你把所用的参数都运行一遍
用 GridSearch 来搜索最佳参数组合的方法 :试出来最优的,最好的那组参数
SVM利用网格搜索和交叉验证进行参数选择 ,GridSearchCV是网格搜索,param_grid,是SVM, cv = 2是折叠次数
gride =GridSearchCV(classifier,param_grid,cv=2)
kerenl是键linear是他的值,线性分类器,C是他的惩罚系数,
param_grid =[{'kerenl':['linear'],'C':[1,10,100,300]}]
网格(gride)参数:
cv_results_ : 将键做为列标题和值做为列的字典
splits 有分离,切割的意思,拆分的意思
n_splits ：只能拆分整数，交叉验证拆分的数量（折叠/迭代）。
best最好的,score得分 estimate 估计
best_score_ : float；
best_estimator 的平均交叉验证分数，对于多度量评估.
原文出处：https://www.cnblogs.com/lowbi/p/10722425.html