繪製驗證曲線#

在此圖中，您可以看到 SVM 對於不同核心參數 Gamma 值的訓練分數和驗證分數。對於非常低的 Gamma 值，您可以看到訓練分數和驗證分數都很低。這稱為欠擬合。中等值的 Gamma 將導致兩個分數都很高，即分類器的表現相當好。如果 Gamma 太高，分類器將會過擬合，這意味著訓練分數很好，但驗證分數很差。

Validation Curve for SVM with an RBF kernel

import matplotlib.pyplot as plt
import numpy as np

from sklearn.datasets import load_digits
from sklearn.model_selection import ValidationCurveDisplay
from sklearn.svm import SVC

X, y = load_digits(return_X_y=True)
subset_mask = np.isin(y, [1, 2])  # binary classification: 1 vs 2
X, y = X[subset_mask], y[subset_mask]

disp = ValidationCurveDisplay.from_estimator(
    SVC(),
    X,
    y,
    param_name="gamma",
    param_range=np.logspace(-6, -1, 5),
    score_type="both",
    n_jobs=2,
    score_name="Accuracy",
)
disp.ax_.set_title("Validation Curve for SVM with an RBF kernel")
disp.ax_.set_xlabel(r"gamma (inverse radius of the RBF kernel)")
disp.ax_.set_ylim(0.0, 1.1)
plt.show()