机器学习：SVM（非线性数据分类：SVM中使用多项式特征和核函数SVC）

一、基础理解

• 数据：线性数据、非线性数据；
• 线性数据：线性相关、非线性相关；（非线性相关的数据不一定是非线性数据）

　1）SVM 解决非线性数据分类的方法

• 方法一：

• 多项式思维：扩充原本的数据，制造新的多项式特征；（对每一个样本添加多项式特征）
• 步骤：

1. PolynomialFeatures(degree = degree)：扩充原始数据，生成多项式特征；
2. StandardScaler()：标准化处理扩充后的数据；
3. LinearSVC(C = C)：使用 SVM 算法训练模型；

 

• 方法二：

• 使用scikit-learn 中封装好的核函数： SVC(kernel='poly', degree=degree, C=C)
• 功能：当 SVC() 的参数 kernel = ‘poly’ 时，直接使用多项式特征处理数据；

• 注：使用 SVC() 前，也需要对数据进行标准化处理

 

 

二、例

　1）生成数据

• datasets.make_ + 后缀：自动生成数据集；
• 如果想修改生成的数据量，可在make_moons()中填入参数；

  import numpy as np
  import