svm

저차원에서는 선형모델이 제한적 -> 특성끼리 곱하거나 거듭제곱해서 추가함

 

RBF -> 차원이 무한한 특성 공간에 매핑

서포트 벡터 : 경계에 위치한 데이터 포인트들

gamma : 커널의 폭을 제어 == 커널폭의 역수   작은 값은 넓은 영역의미함. 큰값이라면 영향이 미치는 범위가 제한적.

gamma가 크면 복잡해짐

즉 gamma는 결정 경계의 곡률을 결정함 (더 구불구불해짐)

C :  선형모델에서의 규제 매개변수    클수록 복잡도 커짐 -> 규제 적어짐

 

 

svm은 매개변수와 스케일에 매우 민감

from sklearn.svm import SVC
svm = SVC(kernel='rbf', C=10, gamma=0.1).fit(X,y)

 

 

 

 

데이터 전처리와 매개변수 설정 잘하자