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)