svm在环形数据上的表现案列

使用sklearn中make_circles模块构建环形数据

环形数据属于非线性数据：非线性数据，如月亮型数据，环形数据等

from sklearn.datasets import make_circles
x,y = make_circles(100,factor=0.1,noise=.1)

import matplotlib.pyplot as plt
plt.scatter(x[:,0],x[:,1],c = y,s = 50,cmap = "rainbow")
plt.show()

使用svc对决策边界进行划分

from sklearn.svm import SVC
clf = SVC(kernel="linear").fit(x,y)
plt.scatter(x[:,0],x[:,1],c = y,s = 50,cmap = "rainbow")
plt_svc_decision_function(clf)

可以看出svm在环形数据的表现一般时候，可以增加数据维度，通过绘制高维决策边界进行划分，效果更好

import numpy as np
r = np.exp(-(x**2).sum(1)) #定义一个x计算出来的新维度
rlim  = np.linspace(min(r),max(r),100)

 svm对于非线性数据，效果不好时，可以通过增加维度训练</