基于SVM分类算法对simple2.txt中的数据进行分类，并画出边界图

fdhdrurdudr

已于 2022-03-14 10:01:27 修改

阅读量2.6k

点赞数

文章标签：支持向量机机器学习 sklearn

于 2022-03-14 09:57:06 首次发布

本文链接：https://blog.csdn.net/fdhdrurdudr/article/details/123471930

版权

本文介绍了支持向量机（SVM）的原理，强调其寻找最优分类边界、最大化支持向量间距、保持公平性和简单性的特点。特别是，通过核函数实现低维度到高维度的升维变换，解决线性不可分问题。内容包括线性核函数的应用，用于在原始数据空间中直接寻找线性分类边界。

摘要由CSDN通过智能技术生成

支持向量机原理

1. 寻求最优分类边界
正确：对大部分样本可以正确地划分类别。
泛化：最大化支持向量间距。
公平：与支持向量等距。
简单：线性，直线或平面，分割超平面。
2. 基于核函数的升维变换
通过名为核函数的特征变换，增加新的特征，使得低维度空间中的线性不可分问题变为高维度空间中的线性可分问题。
线性核函数：linear，不通过核函数进行维度提升，仅在原始维度空间中寻求线性分类边界。

import numpy as np
import sklearn.model_selection as ms
import sklearn.svm as svm
import sklearn.metrics as sm
import matplotlib.pyplot as mp
x, y = [], []
data = np.loadtxt('../data/multiple2.txt', delimiter=',', dtype='f8')
x = data[:, :-1]
y = data[:, -1]
train_x, test_x, train_y, test_y = \
    ms.train_test_split(x, y, test_size=0.25, random_state=5)
# 基于线性核函数的支持向量机分类器
model = svm.SVC(kernel='linear')
model.fit(train_x, train_y)
n = 500
l, r = x[:, 0].min() - 1, x[:, 0].max() + 1
b, t =