SVC python输出为每个使用的C或伽马显示相同的“ 1”值

如何解决SVC python输出为每个使用的C或伽马显示相同的“ 1”值

这是代码：

import numpy as np
from sklearn import svm
numere=np.fromfile("sat.trn",dtype=int,count=-1,sep=" ")
numereTest=np.fromfile("sat.tst",sep=" ")
numere=numere.reshape(int(len(numere)/37),37)
numereTest=numereTest.reshape(int(len(numereTest)/37),37)
etichete=numere[0:int(len(numere)),36]
eticheteTest=numereTest[0:int(len(numereTest)),36]
numere=np.delete(numere,36,1)
numereTest=np.delete(numereTest,1)
clf=svm.SVC(kernel='rbf',C=1,gamma=1)
clf.fit(numere,etichete)
predictie=clf.predict(numereTest)

我从具有全部内容的文件中获取了数据，然后我用它们制作了2个np.arrays，但是输出是我所做的一切1。

numere（：10）-> array（[[92，115，120，94，84，102，106，79，84，102，102，83，101， 126、133、103、92、112、118、85、84、103、104、81、102、126， 134，104，88，121，128，100，84，107，113，87]， [84，102，106，79，84，102，102，83，80，102，102，79，92， 112、118、85、84、103、104、81、84、99、104、78、88、121， 128、100、84、107、113、87、84、99、104、79]， [84，102，102，83，80，102，102，79，84，94，102，79，84， 103、104、81、84、99、104、78、84、99、104、81、84、107， 113、87、84、99、104、79、84、99、104、79]， [80，102，102，79，84，94，102，79，80，94，98，76，84， 99、104、78、84、99、104、81、76、99、104、81、84、99， 104、79、84、99、104、79、84、103、104、79]， [84，94，102，79，80，94，98，76，80，102，102，79，84， 99、104、81、76、99、104、81、76、99、108、85、84、99， 104、79、84、103、104、79、79、107、109、87]， [80，94，98，76，80，102，102，79，76，102，102，79，76， 99、104、81、76、99、108、85、76、103、118、88、84、103， 104、79、79、107、109、87、79、107、109、87]， [76，102，106，83，76，102，106，87，80，98，106，79，80， 107、118、88、80、112、118、88、80、107、113、85、79、107， 113、87、79、103、104、83、79、103、104、79]， [76，102，106，87，80，98，106，79，76，94，102，76，80， 112、118、88、80、107、113、85、80、95、100、78、79、103， 104、83、79、103、104、79、79、95、100、79]， [76，89，98，76，76，94，98，76，76，98，102，72，80， 95、104、74、76、91、104、74、76、95、100、78、75、91， [96，75，75，91，96，71，79，87，93，71]， [76，94，98，76，76，98，102，72，76，94，90，76，76， 91、104、74、76、95、100、78、76、91、100、74、75、91， 96，71，79，87，93，71，79，87，93，67]]）

解决方法

好的，所以您得到的最可能的原因是：

首先，您不对数据进行缩放，请尝试使用standard scaler。

scaler = StandardScaler()
scaler.fit(numere)
numere = scaler.transform(numere)
numereTest = scaler.transform(numereTest)

第二，您不调整参数，需要选择最合适的参数，我强烈建议使用grid search。您可以找到一个示例here的用法。网格搜索非常适合参数调整，但请注意不要在此数据集中使用交叉验证，这是其创建者的建议：) Gamma和C可以从非常低的十进制数到非常高的数取宽值，您无法测试手动正确地

编辑：您不应该使用CV，因此这是进行网格搜索的更好方法

grid = { #edit ´this with more values
    'gamma': [0.001,0.1,10,100,1000,],'C': [1,100]
}

for g in ParameterGrid(grid):
    clf.set_params(**g)
    clf.fit(numere,etichete)
    # save if best
    score = clf.score(numereTest,eticheteTest)
    if score > best_score:
        best_score = score
        best_grid = g

print ("best score:",best_score) 
print ("Grid:",best_grid)