Verbose log abbriviations sens dans SVC, scikit-apprendre

Question

Je cherche la signification de abbriviations log verbose de la fonction SVC dans scikit-learn?

Si nSV est le nombre de vecteurs de support, #iter est le nombre d'itérations, quelle est la dose de nBSV, rho, obj?

Voici un exemple:

import numpy as np 
from sklearn.svm import SVR 
sets=np.loadtxt('data\Exp Rot.txt')   # reading data 
model=SVR(kernel='rbf',C=100,gamma=1,max_iter=100000,verbose=True) 
model.fit(sets[:,:2],sets[:,2]) 
print(model.score) 

et voici le résultat

Answer 1

scikit-learn utilise libsvm's mise en œuvre des machines support vecteur (LinearSVC utilisera liblinear par le même auteurs). Le site officiel a sa propre FAQ répondant à cette here.

Extrait:

Q: La sortie de formation C-SVM est comme suit. Que signifient-ils?

fini optimisation, NB_ITER = 219

nu = 0,431030

obj = -100,877286, rho = 0,424632

NSV = 132, 107 nBSV =

total NSV = 132

obj est la valeur objective optimale du double problème SVM

rho est le terme de polarisation dans la fonction de décision sgn (w^Tx - rho)

NSV et nBSV sont nombre de vecteurs de support et délimité vecteurs de support (par exemple, alpha_i = C)

nu-svm est une forme quelque peu équivalente de C-SVM où C est remplacé par nu

nu montre simplement le paramètre correspondant. Plus de détails sont dans le document libsvm

Link to the libsvm document mentioned above (PDF!)