一、什么是SVM:
SVM支持向量机,主要针对小样本数据,非线性及高维模式识别中表现出许多特有的优势,而且有很好的泛华能力。
二、SVM原理:低维空间映射到高维空间
超平面和最近的数据点之间的间隔被称为分离边缘,用P表示。支持向量机的目标是找到一个特殊的超平面,对于这个超平面分离边缘P最大。
三、SVM线性核函数:
线性核函数解决线性问题
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.svm import SVC
from sklearn import datasets
# 随机生成一些点,默认100个,两个中心点,两个特征(0,1)
X,y = datasets.make_blobs(centers=2)
plt.scatter(X[:,0],X[:,1],c=y)
# 线性问题
svc = SVC(kernel = "linear")
# 核函数说明:kernel:"linear poly rbf sigmoid precomputed" ---- 低维变高维
svc.fit(X,y)
# 两个属性,两个斜率
w_ = svc.coef_
# 截距
b_ = svc.intercept_
f_z = lambda x,y : x*w_[0,0] + y*w_[0,1] + b_[0]
# 画3D图
from mpl_tooklkits.mplot3d.axes3d import Axes3D
fig = plt.figure(figsize=(9,6))
axes3D = Axes3D(fig)
axes3D.scatter(X[:0],X[:,1],0,c = y)
# 绘制 分割线
x1 = np.linspace(-4,6,100)
y1 = np.linspace(6,13,100)
z1 = f_z(x1,y1)
axes3D.plot(x1,y1,z1)
# 调整角度
axes3D.view_init()
# 支持向量
sv = svc