チューンは、私は、画像に表示されているデータを分類するSVM

Question

パラメータ

をしかし、私はMORをしたいと思います：「きメートル赤いモデルのような柔軟なモデル、または可能であれば青い線のようなもの。 希望の応答に近づけるために、どのパラメータを使用すればよいですか？

また、私はかなり垂直（YY）の規模がどのように理解していない軸に作成され、それが大きすぎます。最初のインスタンスで

w = clf.coef_[0] 
a = -w[0]/w[1] 
xx = np.linspace(0.85, 1) 
yy = (a * xx - (clf.intercept_[0])/w[1])*1 

Answer 1

データはあなたがGridSearchを実行しようとすることができる合理的な大きさを持っている場合、明らかにあなたがテキストで作業しているので、この例を考えてみ::

def main(): 
    pipeline = Pipeline([ 
     ('vect', TfidfVectorizer(ngram_range=(2,2), min_df=1)), 
     ('clf',SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3, 
        gamma=1e-3, kernel='rbf', max_iter=-1, probability=False, random_state=None, 
        shrinking=True, tol=0.001, verbose=False)) 
    ]) 


    parameters = { 
     'vect__max_df': (0.25, 0.5), 
     'vect__use_idf': (True, False), 
     'clf__C': [1, 10, 100, 1000], 

    } 


    X, y = X, Y.as_matrix() 
    X_train, X_test, y_train, y_test = train_test_split(X, y, train_size=0.5) 
    grid_search = GridSearchCV(pipeline, parameters, n_jobs=-1, verbose=1, scoring='accuracy') 
    grid_search.fit(X_train, y_train) 
    print 'Best score: %0.3f' % grid_search.best_score_ 
    print 'Best parameters set:' 
    best_parameters = grid_search.best_estimator_.get_params() 
    for param_name in sorted(parameters.keys()): 
     print '\t%s: %r' % (param_name, best_parameters[param_name]) 


if __name__ == '__main__': 
main() 

私はベクトル化注意私のデータ（テキスト）はtf-idfです。 scikit-learnプロジェクトもRandomizedSearchCVを実装しています。最後に、遺伝的プログラミングを使用するTpotプロジェクトのような他の興味深いツールもあります。