SVM的深入理解

最新推荐文章于 2023-12-18 21:59:49 发布

IT23131

最新推荐文章于 2023-12-18 21:59:49 发布

阅读量388

点赞数

文章标签： stm32 单片机 arm

本文链接：https://blog.csdn.net/IT23131/article/details/121363920

版权

本文深入探讨SVM算法，通过多项式和高斯核函数解决线性不可分问题。首先，对鸢尾花数据集应用SVM，展示了在线性与非线性情况下的分类效果。接着，详细介绍了高斯核函数的运用，并在月亮数据集上进行实验，展示核函数如何实现数据升维。最后，通过实践总结了SVM的关键思想。

摘要由CSDN通过智能技术生成

深入了解SVM算法在解决线性不可分类时，对特征集进行多项式、核函数转换（升维）将其转换为线性可分类问题的思想。完成以下任务：对照参考资料“支持向量机-课件-518.docx”，将其中的例子代码在Jupyter中重新做一遍。并将例子代码中采用多项式分类函数、高斯核函数对鸢尾花、月亮数据集进行SVM训练所得到最终分类决策函数，输出出来

一.多项式分类函数对鸢尾花、月亮数据集进行SVM训练

一.多项式分类函数对鸢尾花、月亮数据集进行SVM训练

1.SVM处理线性数据集(鸢尾花数据集)

代码

import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.preprocessing import StandardScaler
from sklearn.svm import LinearSVC

iris = datasets.load_iris()

X = iris.data
y = iris.target

X = X [y<2,:2] #只取y<2的类别，也就是0 1 并且只取前两个特征
y = y[y<2] # 只取y<2的类别

# 分别画出类别0和1的点
plt.scatter(X[y==0,0],X[y==0,1],color='red') 
plt.scatter(X[y==1,0],X[y==1,1],color='blue')
plt.show()

输出

定义绘制决策边界函数与绘制决策边界

def plot_decision_boundary(model, axis):
    x0, x1 = np.meshgrid(
        np.linspace(axis[0], axis[1], int((axis[1]-axis[0])*100)).reshape(-1,1),
        np.linspace(axis[2], axis[3], int((axis[3]-axis[2])*100)).reshape(-1,1)
    )
    X_new = np.c_[x0.ravel(), x1.ravel()]
    
    y_predict =