机器学习之SVM支持向量机实例

最新推荐文章于 2023-09-18 17:04:13 发布

南蓬幽

最新推荐文章于 2023-09-18 17:04:13 发布

阅读量447

点赞数 1

分类专栏： Python 机器学习文章标签： python 人工智能深度学习

本文链接：https://blog.csdn.net/qq_46556714/article/details/124508447

版权

Python 同时被 2 个专栏收录

68 篇文章 9 订阅

订阅专栏

机器学习

31 篇文章 5 订阅

订阅专栏

这段代码展示了如何使用scikit-learn库中的SVM（支持向量机）进行数据分类。首先加载两个数据集data1.mat和data2.mat，然后通过plot_data函数绘制数据点。接着，分别用线性核函数和高斯核函数训练SVM模型，并通过plot_decisionBoundary函数画出决策边界。实验结果展示了SVM在不同核函数下对非线性数据的分类能力。

摘要由CSDN通过智能技术生成

SVM支持向量机实例

代码：


import sys
defaultencoding = 'utf-8'
import numpy as np
from scipy import io as spio
from matplotlib import pyplot as plt
from sklearn import svm

def SVM():

    data1 = spio.loadmat('data1.mat')
    X = data1['X']
    y = data1['y']
    y = np.ravel(y)
    plot_data(X, y)

    model = svm.SVC(C=1, kernel='linear').fit(X, y)
    plot_decisionBoundary(X, y, model)

    data2 = spio.loadmat('data2.mat')
    X = data2['X']
    y = data2['y']
    y = np.ravel(y)
    plt = plot_data(X, y)
    plt.show()

    model = svm.SVC(gamma=100).fit(X, y)
    plot_decisionBoundary(X, y, model, class_='notLinear')


def plot_data(X, y):
    plt.figure(figsize=(10, 8))
    pos = np.where(y == 1)
    neg = np.where(y == 0)
    p1, = plt.plot(np.ravel(X[pos, 0]), np.ravel(X[pos, 1]), 'ro', markersize=8)
    p2, = plt.plot(np.ravel(X[neg, 0]), np.ravel(X[neg, 1]), 'g^', markersize=8)
    plt.xlabel("X1")
    plt.ylabel("X2")
    plt.legend([p1, p2], ["y==1", "y==0"])
    return plt

def plot_decisionBoundary(X, y, model, class_='linear'):
    plt = plot_data(X, y)


    if class_ == 'linear':
        w = model.coef_
        b = model.intercept_
        xp = np.linspace(np.min(X[:, 0]), np.max(X[:, 0]), 100)
        yp = -(w[0, 0] * xp + b) / w[0, 1]
        plt.plot(xp, yp, 'b-', linewidth=2.0)
        plt.show()
    else:
        x_1 = np.transpose(np.linspace(np.min(X[:, 0]), np.max(X[:, 0]), 100).reshape(1, -1))
        x_2 = np.transpose(np.linspace(np.min(X[:, 1]), np.max(X[:, 1]), 100).reshape(1, -1))
        X1, X2 = np.meshgrid(x_1, x_2)
        vals = np.zeros(X1.shape)
        for i in range(X1.shape[1]):
            this_X = np.hstack((X1[:, i].reshape(-1, 1), X2[:, i].reshape(-1, 1)))
            vals[:, i] = model.predict(this_X)

        plt.contour(X1, X2, vals, [0, 1], color='blue')
        plt.show()


if __name__ == "__main__":
    SVM()