SVM相关参数初始化 :param trainDataList:训练数据集 :param trainLabelList: 训练测试集 :param sigma: 高斯核中分母的σ :param C:软间隔中的惩罚参数 :param toler:松弛变量 注： 关于这些参数的初始值：参数的初始值大部分没有强要求，请参照书中给的参考，例如C是调和间隔与误分类点的系数， 在选值时通过经验法依据结果来动态调整。（本程序中的初始值参考
(self, trainDataList, trainLabelList, sigma = 10, C = 200, toler = 0.001)
| 52 | SVM类 |
| 53 | ''' |
| 54 | def __init__(self, trainDataList, trainLabelList, sigma = 10, C = 200, toler = 0.001): |
| 55 | ''' |
| 56 | SVM相关参数初始化 |
| 57 | :param trainDataList:训练数据集 |
| 58 | :param trainLabelList: 训练测试集 |
| 59 | :param sigma: 高斯核中分母的σ |
| 60 | :param C:软间隔中的惩罚参数 |
| 61 | :param toler:松弛变量 |
| 62 | 注： |
| 63 | 关于这些参数的初始值：参数的初始值大部分没有强要求，请参照书中给的参考，例如C是调和间隔与误分类点的系数， |
| 64 | 在选值时通过经验法依据结果来动态调整。（本程序中的初始值参考于《机器学习实战》中SVM章节，因为书中也 |
| 65 | 使用了该数据集，只不过抽取了很少的数据测试。参数在一定程度上有参考性。） |
| 66 | 如果使用的是其他数据集且结果不太好，强烈建议重新通读所有参数所在的公式进行修改。例如在核函数中σ的值 |
| 67 | 高度依赖样本特征值范围，特征值范围较大时若不相应增大σ会导致所有计算得到的核函数均为0 |
| 68 | ''' |
| 69 | self.trainDataMat = np.mat(trainDataList) #训练数据集 |
| 70 | self.trainLabelMat = np.mat(trainLabelList).T #训练标签集，为了方便后续运算提前做了转置，变为列向量 |
| 71 | |
| 72 | self.m, self.n = np.shape(self.trainDataMat) #m：训练集数量 n：样本特征数目 |
| 73 | self.sigma = sigma #高斯核分母中的σ |
| 74 | self.C = C #惩罚参数 |
| 75 | self.toler = toler #松弛变量 |
| 76 | |
| 77 | self.k = self.calcKernel() #核函数（初始化时提前计算） |
| 78 | self.b = 0 #SVM中的偏置b |
| 79 | self.alpha = [0] * self.trainDataMat.shape[0] # α 长度为训练集数目 |
| 80 | self.E = [0 * self.trainLabelMat[i, 0] for i in range(self.trainLabelMat.shape[0])] #SMO运算过程中的Ei |
| 81 | self.supportVecIndex = [] |
| 82 | |
| 83 | |
| 84 | def calcKernel(self): |
nothing calls this directly
no test coverage detected