scikit-Learn的SVM类中nu参数的含义是什么？

Question

我遵循http://scikit-learn.org/stable/auto_examples/svm/plot_oneclass.html#example-svm-plot-oneclass-py中显示的示例，其中使用一类SVM进行异常检测。 现在，这可能是scikit-learn独有的符号，但是我找不到如何使用给予OneClassSVM构造函数的参数nu的解释。

在http://scikit-learn.org/stable/modules/svm.html#nusvc中，声明参数nu是参数C的重新参数化（这是我熟悉的正则化参数） - 但是没有说明如何执行重新参数化。

非常感谢公式和直觉。

谢谢！

Answer 1

C的问题和nu

的引入

参数C的问题是：

1. 它可以采取任何正值
2. 它没有直接的解释。

因此很难正确选择，必须通过交叉验证或直接实验来找到合适的值。

作为回应Schölkopf等人。重新构造SVM以采用新的正则化参数nu。 此参数为：

1. 介于0和1之间
2. 有直接解释

解释nu

参数nu是边际误差分数的上限和支持向量分数相对于训练样本总数的下限。例如，如果将其设置为0.05，则可以保证最多可以找到5％的训练样例被错误分类（但代价是小幅度），并且至少有5％的训练样例是支持向量。

C与nu之间的关系

C和nu之间的关系由以下公式控制：

nu = A+B/C

A和B是常量，遗憾的是不容易计算。

结论

外卖消息是C和nu SVM在分类能力方面是等价的。与C相比，nu的正则化更易于解释，但是nu SVM通常难以优化，并且运行时不像C变量那样具有输入样本数量。

更多详细信息（包括A和B的公式）可在此处找到：Chang CC, Lin CJ - "Training nu-support vector classifiers: theory and algorithms"

Answer 2

支持向量中的

nu是超级参数。

在c-SVM中，如果我们要查询点x _q ，则

∑α _i .y _i .x _i ^T .x _q + b代表i = 1到n

众所周知，对于大于零的超向量和非支持向量α _i = 0，α _i 。

因此，仅支持向量与计算f（x _q ）有关，但是在常规C-SVM中，我们无法控制No。支持向量，所以这是nu-SVM

nu：

1. 错误数量上限

2. 支持向量数量的下限

   nu总是在0 <= nu <= 1之间。

让说nu = 0.1和n = 10,000

1. 我们希望最多10％的错误 => 1000个错误点
2. 我们获得的支持向量> = 1％ =>我们获得了1000多个支持向量。