深度学习-机器学习（5.3支持向量机Python的应用）

1.从本篇后展示不更新支持向量机了，就下来会更新TensorFlow基础开始的博客，以后会把支持向量机更新完的。

2.第二个SVM上Python的实例

3.直接看代码：

      

import numpy as np
import pylab as pl   #提供Python的画图功能
from sklearn import svm

#创建四十个点
a = np.random.seed(0)#seed()方法，；里面的参数没变，使每次程序生成结果不变
#np.random.randn(20, 2):每个点都是二维的即x点与y点，打印出来的话有二十行，两列，每行组成一个坐标
#[2,2]加上是在下方，减去是在上方
#np.r_是按列连接两个矩阵，就是把两矩阵上下相加，要求列数相等，np.c_则相反
X = np.r_[np.random.randn(20, 2) - [2, 2], np.random.randn(20, 2) + [2, 2]]
Y = [0]*20 +[1]*20#对应的归类标记，前20个为0，后20个为1
#建立SVM模型
clf = svm.SVC(kernel="linear")
clf.fit(X,Y)
#
w = clf.coef_[0]
a = -w[0]/w[1]#斜率
xx = np.linspace(-5, 5)
yy = a*xx - (clf.intercept_[0])/w[1]
b = clf.support_vectors_[0]#取第一个支持向量
yy_down = a*xx + (b[1] - a*b[0])
b = clf.support_vectors_[-1]#取最后一个支持向量
yy_up = a*xx + (b[1] - a*b[0])
# of a line y=a.x +b: the generic w_0x + w_1y +w_3=0 can be rewritten y = -(w_0/w_1) x + (w_3/w_1)
print("w: ",w)
print("a: ",a)
print("support_vectors_: ", clf.support_vectors_)
print("clf.coef_: ", clf.coef_)
pl.plot(xx, yy, 'k-')
pl.plot(xx, yy_down, 'k--')
pl.plot(xx, yy_up, 'k--')
pl.scatter(clf.support_vectors_[:, 0], clf.support_vectors_[:, 1],
          s=80, facecolors='none')#画出周围的点
pl.scatter(X[:, 0], X[:, 1], c=Y, cmap=pl.cm.Paired)
pl.axis('tight')
pl.show()#把图形画出来

4.运行结果：

    

下面几节会先更新，TensorFlow深度学习的文章。