如何使用SVM处理多类分类？

Question

我不明白如何使用SVM处理多类分类。我在互联网上发现的所有方法都是仅用于二进制分类的一对一方法。但是，我的目标是例如：

print(target)

输出：

[ 0  0  0 ... 9 9 9] 

所以，如何正确地使用SVM处理呢？我只是像那些例子那样建立模型。但是，在我看来，这不是多标签分类的正确方法。请指导我。如果SVM根本不是一个很好的选择，请建议我在随机森林，决策树，K个最近邻居等（除了NN和CNN之外）中哪一个更好（如果可能，可以像下面的示例一样容易实现）。已经使用我的数据集中的这两种算法实现了，我只需要再使用一种算法来比较我的结果）。到目前为止，我的编码：

X_train, X_test, y_train, y_test = train_test_split(data, target, test_size=0.2, random_state=42)

from sklearn.svm import SVC
model_svm = SVC(kernel='linear')
clf_svm = model_svm.fit(X_train,y_train)
y_svm = model_svm.predict(X_test)

from sklearn.metrics import accuracy_score
print('Accuracy of SVM: ', accuracy_score(y_svm, y_test))

Answer 1

您使用了线性核，仅对线性边界有用：

model_svm = SVC(kernel='linear')

尝试使用，rbf可用于大多数非线性边界，并且非常有效。

model_svm = SVC(kernel='rbf')

参考：https://scikit-learn.org/stable/auto_examples/svm/plot_svm_kernels.html