用scikit－learn 训练SVM的例子, clf.fit() clf.predict() 的作用

最新推荐文章于 2025-05-09 17:30:44 发布

彼岸阳光

最新推荐文章于 2025-05-09 17:30:44 发布

阅读量5.6w

点赞数 29

分类专栏： python

python 专栏收录该内容

6 篇文章

订阅专栏

本文通过使用Python的scikit-learn库实现支持向量机(SVM)分类器，并以具体数据集为例，演示了如何训练模型及进行预测。首先定义了特征数据与标签，接着利用SVC类创建分类器并拟合数据，最后对未知数据点进行预测。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import numpy as np
X = np.array([[-1, -1], [-2, -1], [1, 1], [2, 1]]) ＃数据特征
y = np.array([1, 1, 2, 2]) ＃数据对应的标签
from sklearn.svm import SVC ＃导入svm的svc类（支持向量分类）
clf = SVC() ＃创建分类器对象
clf.fit(X, y) ＃用训练数据拟合分类器模型
SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,
    decision_function_shape=None, degree=3, gamma='auto', kernel='rbf',
    max_iter=-1, probability=False, random_state=None, shrinking=True,
    tol=0.001, verbose=False)
clf.predict([[-0.8, -1]]) ＃用训练好的分类器去预测[-0.8, -1]数据的标签[1]