我有多个类别的标签，想计算我模型的准确率。
我对需要使用哪个 sklearn 函数感到有些困惑。据我所知，下面的代码仅用于二元分类。
# 将X, y分为训练和测试数据
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25,random_state = 0)
# 训练一个线性SVM分类器
from sklearn.svm import SVC
svm_model_linear = SVC(kernel = 'linear', C = 1).fit(X_train, y_train)
svm_predictions = svm_model_linear.predict(X_test)
# 计算X_test的模型准确率
accuracy = svm_model_linear.score(X_test, y_test)
print accuracy根据以下链接的理解：使用 OneVsRestClassifier 时，sklearn.svm.SVC 的 decision_function_shape 应选择哪种？
对于多类别分类，我应该使用 OneVsRestClassifier 并设置 decision_function_shape（使用 ovr 或 ovo，并检查哪种效果更好）
svm_model_linear = OneVsRestClassifier(SVC(kernel = 'linear',C = 1, decision_function_shape = 'ovr')).fit(X_train, y_train)主要问题是预测标签的时间对我很重要，但运行分类器并预测数据需要大约1分钟（此时间还包括像PCA这样的特征降维的时间）？有什么建议可以减少SVM多分类器的时间吗？
回答：
这里有几点需要考虑：
1) 你看，OneVsRestClassifier 会将所有标签分开，并在给定数据上训练多个svm对象（每个标签一个）。所以每次，只会向单个svm对象提供二元数据。
2) SVC 内部使用 libsvm 和 liblinear，它们对于多类别或多标签输出采用 ‘OvO’ 策略。但由于第1点，这个点没有用。因为 libsvm 只会得到二元数据。
即使它确实如此，它也不考虑 'decision_function_shape'。因此，无论你提供 decision_function_shape = 'ovr' 还是 decision_function_shape = 'ovr' 都没有关系。
所以看起来你对问题理解有误。decision_function_shape 不应该影响速度。尝试在拟合前标准化你的数据。SVM 对标准化数据表现良好。
