調用sklearn模型遇到Unknown label type: continuous 的解決辦法

分類問題 sklearn.svm.SVC()

分類問題的标簽應該設定為int類型，直接在y輸入變量的後面加
上轉換資料類型為int或者string即可：
    y_train.astype('int')
           

回歸問題 sklearn.svm.SVR()

回歸問題應該使用的是SVR,若使用sklearn.svm.SVC()則會
出現上面的問題，因為SVC()處理的是分類問題，标簽的類型應
該是int或string類型。
           

SVC()與SVR()的差別

• support vector classify（SVC）支援分類機做二分類的，找出分類面，解決分類問題
• support vector regression（SCR）支援回歸機做曲線拟合、函數回歸 ，做預測，溫度，天氣，股票
• 直覺上來講 SVM 分類（SVC Support Vector Classification）與 SVR（Support Vector Regression）圖形上的差別如下：

  

• 對于樣本 (x,y) ，傳統的回歸模型通常直接輸出 f(x) 與真實輸出 y 之間的差别來計算損失，當且僅當 f(x) 與 y 完全相同時，損失才是零。與此不同 SVR 假設我們能容忍 f(x) 與 y 之間最多有 ε 的偏差，即僅當 f(x) 與 y 之間的差别絕對值大于 ε 時才計算損失。這相當于以 f(x) 為中心 建構一個寬度為 2ε 的間隔帶，若樣本落入此間隔帶，則認為是預測正确的，如下圖：

  

基于 Sklearn 的實踐建議

【參考】sklearn - Tips on Practical Use

• 核緩存的大小：對于 SCV、SVR、NuSVC 和 NuSVR，核函數緩存的大小對于大型問題的運作時間有着非常大的影響。如果有足夠多的記憶體，建議把cache_size的大小設定的盡可能的大。
• 設定 C：1 是一個合理的預設選擇，如果有較多噪點資料，你應該較少 C 的大小。
• SVM 算法不是尺度不變，是以強烈建議縮放你的資料。如将輸入向量 X 的每個屬性縮放到[0,1] 或者 [-1,1]，或者标準化為均值為 0 方差為 1 。另外，在測試向量時也應該使用相同的縮放，已獲得有意義的結果。
• 對于SVC，如果分類的資料不平衡（如有很多的正例很少的負例），可以設定class_weight=‘balanced’，或者嘗試不同的懲罰參數 C
• 底層實作的随機性：SVC和NuSVC的底層實作使用了随機數生成器，在機率估計時混洗資料（當 probability 設定為 True），随機性可以通過 random_state 參數控制。如果 probability 設定為False ，這些估計不是随機的，random_state 對結果不在有影響。

Reference

https://www.cnblogs.com/jiading/p/12105232.html

https://www.cnblogs.com/ylHe/p/7676173.html