support sklearn score recall learning libsvm scikit-learn

sklearn - Diferente precisión para LibSVM y scikit-learn



sklearn learning curve (1)

SVR es un modelo de regresión, no un modelo de clasificación. svm-train -c 1 es el modelo Nu-SVC que está disponible como clase sklearn.svm.NuSVC .

Para el mismo conjunto de datos y parámetros obtengo una precisión diferente para LibSVM y la implementación SVM de scikit-learn , aunque scikit-learn también usa LibSVM internamente .

¿Qué pasé por alto?

Versión de línea de comando de LibSVM:

me@my-compyter:~/Libraries/libsvm-3.16$ ./svm-train -c 1 -g 0.07 heart_scale heart_scale.model optimization finished, #iter = 134 nu = 0.433785 obj = -101.855060, rho = 0.426412 nSV = 130, nBSV = 107 Total nSV = 130 me@my-compyter:~/Libraries/libsvm-3.16$ ./svm-predict heart_scale heart_scale.model heart_scale.result Accuracy = 86.6667% (234/270) (classification)

Versión de Scikit-learn NuSVC:

In [1]: from sklearn.datasets import load_svmlight_file In [2]: X_train, y_train = load_svmlight_file(''heart_scale'') In [3]: from sklearn import svm In [4]: clf = svm.NuSVC(gamma=0.07,verbose=True) In [5]: clf.fit(X_train,y_train) [LibSVM]* optimization finished, #iter = 118 C = 0.479830 obj = 9.722436, rho = -0.224096 nSV = 145, nBSV = 125 Total nSV = 145 Out[5]: NuSVC(cache_size=200, coef0=0.0, degree=3, gamma=0.07, kernel=''rbf'', max_iter=-1, nu=0.5, probability=False, shrinking=True, tol=0.001, verbose=True) In [6]: pred = clf.predict(X_train) In [7]: from sklearn.metrics import accuracy_score In [8]: accuracy_score(y_train, pred) Out[8]: 0.8481481481481481

Versión Scikit-learn SVC:

In [1]: from sklearn.datasets import load_svmlight_file In [2]: X_train, y_train = load_svmlight_file(''heart_scale'') In [3]: from sklearn import svm In [4]: clf = svm.SVC(gamma=0.07,C=1, verbose=True) In [5]: clf.fit(X_train,y_train) [LibSVM]* optimization finished, #iter = 153 obj = -101.855059, rho = -0.426465 nSV = 130, nBSV = 107 Total nSV = 130 Out[5]: SVC(C=1, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.07, kernel=''rbf'', max_iter=-1, probability=False, shrinking=True, tol=0.001, verbose=True) In [6]: pred = clf.predict(X_train) In [7]: from sklearn.metrics import accuracy_score In [8]: accuracy_score(y_train, pred) Out[8]: 0.8666666666666667

Actualizaciones

Actualización1: actualizó el ejemplo de scikit-learn de SVR a NuSVC, vea la respuesta de ogrisel

Actualización2: resultado agregado para verbose=True

Actualización3: se agregó una versión SVC scikit-learn

Entonces parece que mi problema está resuelto. Si utilizo SVC con C=1 y no con NuSVC obtengo los mismos resultados que libsvm, pero ¿alguien puede explicar por qué NuSVC y SVC (C = 1) dan resultados diferentes, aunque deberían hacer lo mismo (ver la respuesta de ogrisel)?