SVM支持向量机（二）13

最新推荐文章于 2023-11-15 14:49:41 发布

samll-guo

最新推荐文章于 2023-11-15 14:49:41 发布

阅读量1.8k

点赞数

分类专栏： alot学习 alot物联网工程师文章标签：线性回归机器学习算法

本文链接：https://blog.csdn.net/m0_58465990/article/details/121410167

版权

该博客详细介绍了SVM支持向量机的建模过程，从线性核函数到非线性的poly、rbf和sigmoid核函数的应用。此外，还探讨了SVM在回归问题中的应用，并通过实例展示了如何使用不同核函数进行天猫双十一销量数据的预测。

摘要由CSDN通过智能技术生成

1 导包

import numpy as np
from sklearn import datasets
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
import matplotlib.pyplot as plt

2 加载数据

X,y=datasets.load_wine(return_X_y=True)
display(X.shape)
输出：
(178, 13)

x_train,x_test,y_train,y_test=train_test_split(X,y,test_size=0.2)
display(x_train.shape,y_train.shape)
输出：
(142, 13)
(142,)

3 建模

3.1 线性：linear

svc=SVC(kernel='linear')
svc.fit(x_train,y_train)
yred=svc.predict(x_test)
score=accuracy_score(yred,y_test)
display('使用linear核函数得分：',score)
输出：
'使用linear核函数得分：'
0.9444444444444444

svc.coef_
输出：
array([[ 0.68238177,  0.59090752,  1.17127315, -0.21150042,  0.0081547 ,
        -0.01397723,  0.2235816 ,  0.22634936, -0.41167559,  0.47889006,
        -0.16003878,  0.50632237,  0.00469413],
       [ 0.08796641,  0.13272108,  0.04146849, -0.07352927,  0.00631995,
         0.28416506,  0.43334105,  0.00655127,  0.18678886, -0.26506095,
         0.03456889,  0.29852352,  0.00403859],
       [-0.6507222 , -0.33430121, -0.36136551, -0.02392738, -0.02279356,
         0.37705139,  1.19788242,  0.28111838,  0.54743024, -0.61747287,
         0.43714574,  0.94564