sklearn svm如何选择核函数_机器学习练习六：用sklearn实现支持向量机(SVM)

在本练习中，我们将从一些简单的2D数据集开始使用SVM来查看它们的工作原理。

1.线性核函数(Linear Kernel)SVM

顾名思义，基于线性核函数的SVM主要是用来实现线性决策边界的分类问题的。

1.1 原始数据展示

# 读取数据

mat_data = sio.loadmat('./data/ex6data1.mat')

data = pd.DataFrame(mat_data['X'], columns=['x1', 'x2'])

data['y'] = mat_data['y']

数据展示函数：

def show_data(data):

# 展示数据

# 布尔值索引data['Admitted'].isin([1])：False,True,False...

positive = data[data['y'].isin([1])]

negative = data[data['y'].isin([0])]

# 子画布

fig, ax = plt.subplots(figsize=(8,6))

ax.scatter(positive['x1'], positive['x2'], s=50, c='g', marker='o', label='T')

ax.scatter(negative['x1'], negative['x2'], s=50, c='r', marker='x', label='F')

ax.legend()  # 标签

ax.set_xlabel('x1')

ax.set_ylabel('x2')

ax.set_title('Source Data')

plt.show()

数据展示：

可以看到这是一个线性决策边界的简单数据集，并且在(0.2,4.2)位置有一个异常点，下面我们将探索SVM中的超参数C(可以理解为正则化超参数λ的倒数)的值和这个异常点对决策边界造成的影响。

1.2 观察参数C改变时对模型带来的影响

C =