学习《机器学习100天》第16天 通过内核技巧实现支持向量机

github上的项目，跟着一起学习

项目地址    https://github.com/MLEveryday/100-Days-Of-ML-Code

原项目这一天的任务：

       使用Scikit-Learn库实现了SVM算法以及内核函数，该函数将我们的数据点映射到更高维度以找到最佳超平面。

一、sklearn中的SVM算法

    数据标准化处理

从sklearn.preprocessing导入StandardScaler

standardScaler = StandardScaler()

standardScaler.fit(测试数据X)

标准化的测试数据 = standardScaler.transform(X)

    线性SVM算法

从sklearn.svm导入LinearSVC

svc=LinearSVC()

svc.fit(标准化的测试数据, y)

    非线性，使用多项式特征

生成非线性函数：X, y = datasets.make_moons(noise=0.15, random_state=666)

从sklearn.preprocessing导入PolynomialFeatures

定义多项式函数

二、核函数

    先将数据多项式化，再使用线性SVM

使用多项式核函数的SVM

从sklearn.svm导入SVC

数据标准化处理

SVC（kernel=“poly”, degree, c）

    什么是核函数

以多项式核函数为例