支持向量机SVM代码示例

最新推荐文章于 2024-07-14 21:58:34 发布

洛北辰南

最新推荐文章于 2024-07-14 21:58:34 发布

阅读量846

点赞数

分类专栏： Python 深度学习框架文章标签： SVM 支持向量机代码

本文链接：https://blog.csdn.net/qq_18941713/article/details/91897533

版权

本文通过Tensorflow和sklearn库展示了支持向量机SVM的代码示例，特别强调了在多维特征场景下的应用。尽管在Tensorflow示例中，对于SMO算法的多维求解仍存在理解上的挑战，但sklearn库提供了内置的多维求解方式，并详细介绍了参数如C和kernel的选择。

摘要由CSDN通过智能技术生成

Tensorflow

代码来源：https://www.cnblogs.com/vipyoumay/p/7560061.html
本人新添加了很多注释，方便理解代码
我一直想将这个代码用于多维特征的二分类，看了挺长时间。

添加多维特征，对于SVM结构定义的影响就是，x_data、A的维度要对应到特征的维度。
对于求解斜率，多维的A生成多维元素，在下还未彻底理解SMO算法的多维求解方案，所以没有深究。

上面那篇博客作为一个示例性的讲解，对于SMO算法，只是选择的二维作为示例，没有提供N维特征对应的斜率求解方式，所以这里仅作为一个加深对SVM理解的方案，代码本身不太实用。

import matplotlib.pyplot as plt
import numpy as np
import tensorflow as tf
from sklearn import datasets

sess = tf.Session()

# 加载数据
# iris.data = [(Sepal Length, Sepal Width, Petal Length, Petal Width)]
iris = datasets.load_iris()
# 选取数据集中任意两维特征作为训练特征
x_vals = np.array([[x[0], x[3]] for x in iris.data]) 
# 将原始数据标签的0、1（或-1）转换为1、-1
y_vals = np.array([1 if y == 0 else -1 for y in iris.target])

# 分离训练和测试集
# 在数据集中随机抽取80%作为训练集
train_indices = np.random.choice(len(x_vals),
                                 round(len(x_vals)*0.8),
                                 replace=False)
# 测试集=原始数据集-训练集         
test_indices = np.array(list(set(range(len(x_vals))) - set(train_indices)