基于支持向量机的数据分类以及绘制决策边界（超平面）

最新推荐文章于 2021-10-30 09:00:00 发布

小小小小U

最新推荐文章于 2021-10-30 09:00:00 发布

阅读量6.4k

点赞数 2

分类专栏：笔记文章标签： python 机器学习人工智能支持向量机深度学习

本文链接：https://blog.csdn.net/m0_46557838/article/details/105510576

版权

本文介绍了如何使用支持向量机（SVM）进行数据分类，并详细展示了在二维数据上绘制决策边界的过程。通过观察不同参数（C和gamma）对模型效果的影响，探讨了寻找最优参数组合的策略。尽管存在一些互相嵌入的数据点导致分类挑战，但通过调整参数可以得到接近最优的决策边界。

摘要由CSDN通过智能技术生成

基于支持向量机的数据分类以及绘制决策边界（超平面）

为了方便结果可视化，本文主要利用二维数据点进行讨论
目录：
1、导入数据并观察数据：
2、训练集训练模型
3、绘制决策边界（超平面）观察分类效果
4、利用这四组参数对测试集进行测试并绘制图像

首先开始就列出利用的库

# coding:utf-8
import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm  # 导入SVM模型模块
from scipy.io import loadmat  # 读取mat文件利用的模块

1、导入数据并观察数据：
从matlab的mat文件中导入训练集和测试集，训练集和测试集都是二维数据点构成的矩阵，标签是一维点构成的矩阵（主要分为两类，故为1和2）

A=loadmat('data3.mat')
print(A.keys())
X=A['X']  # 训练集
y=A['y']  # 训练集对应标签
X_val=A['Xval']  # _val 为测试集
y_val=A['yval']
X1=X[:,0]
X2=X[:,1]
X_val1=X_val[:,0]
y=y.reshape(X1.shape)  # 由于y是n*1的矩阵，要变成一个向量才能带入模型中
y_val=y_val.reshape(X_val1.shape) # 同y