SVM分類演算法我們前面已經講過了，那麼我們平時要用到SVM的時候，除了在MATLAB中呼叫libsvm之外，我們的Python中的sklean也已經集成了SVM演算法。這篇部落格就講一下sklearn中的SVM如何呼叫。

    我們先說個例子，看看簡單的使用sklean中的SVC(support vectors classification)怎麼使用。

1. from sklearn import svm  
2. X = [[0, 0], [1, 1], [1, 0]]  # training samples 
3. y = [0, 1, 1]  # training target
4. clf = svm.SVC()  # class 
5. clf.fit(X, y)  # training the svc model
6. result = clf.predict([2, 2]) # predict the target of testing samples 
7. print result  # target 
8. print clf.support_vectors_  #support vectors
9. print clf.support_  # indeices of support vectors
10. print clf.n_support_  # number of support vectors for each class 

其中有一些註釋幫助理解，其實sklearn中呼叫

關於SVC的一些用法，可以參考下面的連結：

http://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html#sklearn.svm.SVC

    SVC中也可以實現多類分類問題，而且預設使用的是1 vs. 1的投票機制，這種機制的優缺點我們在前面的博文中已經提到了，需要建立的分類器很多很多。。。

    SVC也考慮到了累不平衡問題，處理方式在fit方法下面。如下：

Fit the SVM model according to the given training data.

後面的sample_weight和一般的代價敏感相似，只不過這裡是每個樣本有一個權重。在不平衡學習中，這裡增加誤分類懲罰項的技術是屬於cost sensitive learning 的範疇，其中還有許多更加有效的方式來處理類不平衡問題。

    SVM既可以用來分類，就是SVC；又可以用來預測，或者成為迴歸，就是SVR。sklearn中的svm模組中也集成了SVR類。

    我們也使用一個小例子說明SVR怎麼用。

1. X = [[0, 0], [1, 1]]  
2. y = [0.5, 1.5]   
3. clf = svm.SVR()   
4. clf.fit(X, y)  
5. result = clf.predict([2, 2])   
6. print result   

http://scikit-learn.org/stable/modules/generated/sklearn.svm.SVR.html#sklearn.svm.SVR

參考連結：

http://www.csie.ntu.edu.tw/~cjlin/libsvm/

http://scikit-learn.org/stable/modules/svm.html

http://www.csie.ntu.edu.tw/~cjlin/papers/libsvm.pdf