Verbose log Abkürzungen Bedeutung in SVC, scikit-learn

Question

Ich bin auf der Suche nach der Bedeutung der verbose log Abkürzungen der SVC-Funktion in scikit-lernen?

Wenn nSV die Anzahl der Unterstützungsvektoren ist, ist #iter die Anzahl der Iterationen, welche Dosis nBSV, rho, obj?

Dies ist ein Beispiel:

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) 

und hier ist das Ergebnis

Answer 1

Scikit-Learn ist libsvm's Implementierung von Support-Vektor-Maschinen mit (LinearSVC liblinear vom selben verwenden Autoren). Die offizielle Website hat eigene Antworten auf diese Frage here.

Auszug:

Q: Der Ausgang der Ausbildung C-SVM wie die folgende ist. Was meinen sie?

Optimierung abgeschlossen, #iter = 219

nu = 0,431030

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

NSV = 132, nBSV = 107

Gesamt NSV = 132

obj ist der optimale objektive Wert des dualen SVM-Problems

rho ist das Bias-Term in der Entscheidungsfunktion sgn (w^Tx - rho)

NSV und nBSV ist Anzahl von Stützvektoren und begrenzt Stützvektoren (dh alpha_i = C)

nu-SVM ist eine etwas äquivalente Form von C-SVM, wobei C durch Nu

ersetzt wird, zeigt einfach den entsprechenden Parameter. Weitere Details sind in LIBSVM Dokument

Link to the libsvm document mentioned above (PDF!)